resnet50¶

torchvision.models.quantization.resnet50(*, weights: Optional[Union[ResNet50_量化权重, ResNet50_Weights]] = None, progress: bool = True, quantize: bool = False, **kwargs: Any) → QuantizableResNet[source]¶

来自 Deep Residual Learning for Image Recognition的ResNet-50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 (ResNet50_QuantizedWeights 或 ResNet50_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ResNet50_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.ResNet50_QuantizedWeights(value)[source]¶

上面的模型构建器接受以下值作为weights参数。 ResNet50_QuantizedWeights.DEFAULT等同于ResNet50_QuantizedWeights.IMAGENET1K_FBGEMM_V2。你也可以使用字符串，例如weights='DEFAULT'或weights='IMAGENET1K_FBGEMM_V1'。

ResNet50_QuantizedWeights.IMAGENET1K_FBGEMM_V1:

这些权重是通过在下面列出的未量化权重之上进行训练后量化（eager模式）生成的。

准确率@1（在ImageNet-1K上）	75.92
acc@5 (在 ImageNet-1K 上)	92.814
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	link
num_params	25557032
未量化的	ResNet50_Weights.IMAGENET1K_V1
全球投资绩效标准	4.09
文件大小	24.8 MB

推理转换可在 ResNet50_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。

ResNet50_QuantizedWeights.IMAGENET1K_FBGEMM_V2:

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 ResNet50_QuantizedWeights.DEFAULT 使用。

准确率@1（在ImageNet-1K上）	80.282
acc@5 (在 ImageNet-1K 上)	94.976
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	link
num_params	25557032
未量化的	ResNet50_Weights.IMAGENET1K_V2
全球投资绩效标准	4.09
文件大小	25.0 MB

推理转换可在 ResNet50_QuantizedWeights.IMAGENET1K_FBGEMM_V2.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=[232]，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.ResNet50_Weights(value)[source]

上面的模型构建器接受以下值作为weights参数。ResNet50_Weights.DEFAULT等同于ResNet50_Weights.IMAGENET1K_V2。你也可以使用字符串，例如weights='DEFAULT'或weights='IMAGENET1K_V1'。

ResNet50_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。

准确率@1（在ImageNet-1K上）	76.13
acc@5 (在 ImageNet-1K 上)	92.862
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	25557032
食谱	link
GFLOPS	4.09
文件大小	97.8 MB

推理转换可在 ResNet50_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]，然后进行中心裁剪 crop_size=[224]。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。

ResNet50_Weights.IMAGENET1K_V2:

这些权重通过使用TorchVision的新训练配方改进了原始论文的结果。也可作为ResNet50_Weights.DEFAULT使用。

准确率@1（在ImageNet-1K上）	80.858
acc@5 (在 ImageNet-1K 上)	95.434
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	25557032
食谱	link
GFLOPS	4.09
文件大小	97.8 MB

推理转换可在 ResNet50_Weights.IMAGENET1K_V2.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=[232]，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。