resnet18¶
- torchvision.models.quantization.resnet18(*, weights: Optional[Union[ResNet18_量化权重, ResNet18_Weights]] = None, progress: bool = True, quantize: bool = False, **kwargs: Any) QuantizableResNet[source]¶
来自 Deep Residual Learning for Image Recognition的ResNet-18模型
注意
请注意，
quantize = True返回一个具有8位权重的量化模型。量化模型仅支持推理并在CPU上运行。目前尚不支持GPU推理。- Parameters:
weights (
ResNet18_QuantizedWeights或ResNet18_Weights, 可选) – 模型的预训练权重。有关更多详情和可能的值，请参见下面的ResNet18_QuantizedWeights。默认情况下，不使用预训练权重。progress (bool, 可选) – 如果为True，则在stderr上显示下载进度条。默认值为True。
quantize (bool, 可选) – 如果为True，返回模型的量化版本。默认为False。
**kwargs – 传递给
torchvision.models.quantization.QuantizableResNet基类的参数。请参考源代码 以获取有关此类的更多详细信息。
- class torchvision.models.quantization.ResNet18_QuantizedWeights(value)[source]¶
上面的模型构建器接受以下值作为
weights参数。ResNet18_QuantizedWeights.DEFAULT等同于ResNet18_QuantizedWeights.IMAGENET1K_FBGEMM_V1。你也可以使用字符串，例如weights='DEFAULT'或weights='IMAGENET1K_FBGEMM_V1'。ResNet18_QuantizedWeights.IMAGENET1K_FBGEMM_V1:
这些权重是通过在下面列出的未量化权重上进行训练后量化（eager模式）生成的。 也可作为
ResNet18_QuantizedWeights.DEFAULT使用。准确率@1（在ImageNet-1K上）
69.494
acc@5 (在 ImageNet-1K 上)
88.882
最小尺寸
高度=1, 宽度=1
分类
鲶鱼，金鱼，大白鲨，…（省略997种）
后端
fbgemm
食谱
num_params
11689512
未量化的
ResNet18_Weights.IMAGENET1K_V1
全球投资绩效标准
1.81
文件大小
11.2 MB
推理转换可在
ResNet18_QuantizedWeights.IMAGENET1K_FBGEMM_V1.transforms中找到，并执行以下预处理操作：接受PIL.Image、批处理(B, C, H, W)和单张(C, H, W)图像torch.Tensor对象。图像使用interpolation=InterpolationMode.BILINEAR调整大小为resize_size=[256]，然后进行crop_size=[224]的中心裁剪。最后，值首先重新缩放到[0.0, 1.0]，然后使用mean=[0.485, 0.456, 0.406]和std=[0.229, 0.224, 0.225]进行归一化。
- class torchvision.models.ResNet18_Weights(value)[source]
上面的模型构建器接受以下值作为
weights参数。ResNet18_Weights.DEFAULT等同于ResNet18_Weights.IMAGENET1K_V1。你也可以使用字符串，例如weights='DEFAULT'或weights='IMAGENET1K_V1'。ResNet18_Weights.IMAGENET1K_V1:
这些权重通过简单的训练方法能够很好地复现论文中的结果。 也可以使用
ResNet18_Weights.DEFAULT。准确率@1（在ImageNet-1K上）
69.758
acc@5 (在 ImageNet-1K 上)
89.078
最小尺寸
高度=1, 宽度=1
分类
鲶鱼，金鱼，大白鲨，…（省略997种）
num_params
11689512
食谱
GFLOPS
1.81
文件大小
44.7 MB
推理转换可在
ResNet18_Weights.IMAGENET1K_V1.transforms中找到，并执行以下预处理操作：接受PIL.Image、批处理(B, C, H, W)和单张(C, H, W)图像torch.Tensor对象。图像使用interpolation=InterpolationMode.BILINEAR调整大小为resize_size=[256]，然后进行crop_size=[224]的中心裁剪。最后，值首先重新缩放到[0.0, 1.0]，然后使用mean=[0.485, 0.456, 0.406]和std=[0.229, 0.224, 0.225]进行归一化。
