wide_resnet101_2¶
- torchvision.models.wide_resnet101_2(*, weights: Optional[Wide_ResNet101_2_Weights] = None, progress: bool = True, **kwargs: Any) ResNet[原始碼]¶
Wide ResNet-101-2 模型來自 Wide Residual Networks。
該模型與 ResNet 相同，只是每個塊中的瓶頸層通道數加倍。外層 1x1 卷積中的通道數相同，例如 ResNet-101 的最後一個塊有 2048-512-2048 通道，而 Wide ResNet-101-2 有 2048-1024-2048。
- 引數:
weights (
Wide_ResNet101_2_Weights, 可選) – 要使用的預訓練權重。有關更多詳細資訊和可能的值，請參見下文的Wide_ResNet101_2_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.Wide_ResNet101_2_Weights(value)[原始碼]¶
上面的模型構建器接受以下值作為
weights引數。Wide_ResNet101_2_Weights.DEFAULT等同於Wide_ResNet101_2_Weights.IMAGENET1K_V2。您也可以使用字串，例如weights='DEFAULT'或weights='IMAGENET1K_V1'。Wide_ResNet101_2_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)
78.848
acc@5 (在 ImageNet-1K 上)
94.284
min_size
height=1, width=1
類別
丁鯡、金魚、大白鯊、... (省略 997 個)
引數數量
126886696
方案
GFLOPS
22.75
檔案大小
242.9 MB
推理轉換可在
Wide_ResNet101_2_Weights.IMAGENET1K_V1.transforms處獲得，並執行以下預處理操作：接受PIL.Image、批次處理的(B, C, H, W)和單個(C, H, W)影像torch.Tensor物件。使用interpolation=InterpolationMode.BILINEAR將影像調整到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。Wide_ResNet101_2_Weights.IMAGENET1K_V2:
這些權重透過使用 TorchVision 的 新訓練配方 改進了原始論文的結果。也可用作
Wide_ResNet101_2_Weights.DEFAULT。acc@1 (在 ImageNet-1K 上)
82.51
acc@5 (在 ImageNet-1K 上)
96.02
min_size
height=1, width=1
類別
丁鯡、金魚、大白鯊、... (省略 997 個)
引數數量
126886696
方案
GFLOPS
22.75
檔案大小
484.7 MB
推理轉換可在
Wide_ResNet101_2_Weights.IMAGENET1K_V2.transforms處獲得，並執行以下預處理操作：接受PIL.Image、批次處理的(B, C, H, W)和單個(C, H, W)影像torch.Tensor物件。使用interpolation=InterpolationMode.BILINEAR將影像調整到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。
