resnet152¶
- torchvision.models.resnet152(*, weights: Optional[ResNet152_Weights] = None, progress: bool = True, **kwargs: Any) ResNet[原始碼]¶
ResNet-152 來自 Deep Residual Learning for Image Recognition。
注意
TorchVision 的瓶頸將下采樣步幅放在第二個 3x3 卷積上，而原始論文將其放在第一個 1x1 卷積上。這個變體提高了準確性，並被稱為 ResNet V1.5。
- 引數:
weights (
ResNet152_Weights, 可選) – 使用的預訓練權重。有關更多詳細資訊和可能的值，請參閱下方的ResNet152_Weights。預設情況下，不使用預訓練權重。progress (bool, optional) – 如果為 True，則在 stderr 上顯示下載進度條。預設為 True。
**kwargs – 傳遞給
torchvision.models.resnet.ResNet基類的引數。有關此類引數的更多詳細資訊，請參閱 原始碼。
- class torchvision.models.ResNet152_Weights(value)[原始碼]¶
上面的模型構建器接受以下值作為
weights引數。ResNet152_Weights.DEFAULT等同於ResNet152_Weights.IMAGENET1K_V2。您也可以使用字串，例如weights='DEFAULT'或weights='IMAGENET1K_V1'。ResNet152_Weights.IMAGENET1K_V1:
這些權重透過簡單的訓練配方，非常接近論文的結果。
acc@1 (在 ImageNet-1K 上)
78.312
acc@5 (在 ImageNet-1K 上)
94.046
min_size
height=1, width=1
類別
丁鯡、金魚、大白鯊、... (省略 997 個)
引數數量
60192808
方案
GFLOPS
11.51
檔案大小
230.4 MB
推理轉換可在此處找到：
ResNet152_Weights.IMAGENET1K_V1.transforms，並執行以下預處理操作：接受PIL.Image、批處理的(B, C, H, W)和單個(C, H, W)影像torch.Tensor物件。影像使用InterpolationMode.BILINEAR插值調整為resize_size=[256]，然後進行中心裁剪crop_size=[224]。最後，值首先縮放到[0.0, 1.0]，然後使用mean=[0.485, 0.456, 0.406]和std=[0.229, 0.224, 0.225]進行歸一化。ResNet152_Weights.IMAGENET1K_V2:
這些權重透過使用 TorchVision 的 新訓練方法 改進了原始論文的結果。也可用作
ResNet152_Weights.DEFAULT。acc@1 (在 ImageNet-1K 上)
82.284
acc@5 (在 ImageNet-1K 上)
96.002
min_size
height=1, width=1
類別
丁鯡、金魚、大白鯊、... (省略 997 個)
引數數量
60192808
方案
GFLOPS
11.51
檔案大小
230.5 MB
推理轉換可在此處找到：
ResNet152_Weights.IMAGENET1K_V2.transforms，並執行以下預處理操作：接受PIL.Image、批處理的(B, C, H, W)和單個(C, H, W)影像torch.Tensor物件。影像使用InterpolationMode.BILINEAR插值調整為resize_size=[232]，然後進行中心裁剪crop_size=[224]。最後，值首先縮放到[0.0, 1.0]，然後使用mean=[0.485, 0.456, 0.406]和std=[0.229, 0.224, 0.225]進行歸一化。
