resnet101¶
- torchvision.models.resnet101(*, weights: Optional[ResNet101_Weights] = None, progress: bool = True, **kwargs: Any) ResNet[source]¶
ResNet-101 来自 Deep Residual Learning for Image Recognition.
注意
TorchVision的瓶颈将下采样的步幅放置在第二个3x3卷积中，而原始论文将其放置在第一个1x1卷积中。这种变体提高了准确性，被称为ResNet V1.5。
- Parameters:
weights (
ResNet101_Weights, 可选) – 使用的预训练权重。有关更多详情和可能的值，请参见下面的ResNet101_Weights。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。
**kwargs – 传递给
torchvision.models.resnet.ResNet基类的参数。请参阅源代码以获取有关此类的更多详细信息。
- class torchvision.models.ResNet101_Weights(value)[source]¶
上面的模型构建器接受以下值作为
weights参数。ResNet101_Weights.DEFAULT等同于ResNet101_Weights.IMAGENET1K_V2。你也可以使用字符串，例如weights='DEFAULT'或weights='IMAGENET1K_V1'。ResNet101_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）
77.374
acc@5 (在 ImageNet-1K 上)
93.546
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
44549160
食谱
GFLOPS
7.80
文件大小
170.5 MB
推理转换可在
ResNet101_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。ResNet101_Weights.IMAGENET1K_V2:
这些权重通过使用TorchVision的新训练方法改进了原始论文的结果。 也可作为
ResNet101_Weights.DEFAULT使用。准确率@1（在ImageNet-1K上）
81.886
acc@5 (在 ImageNet-1K 上)
95.78
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
44549160
食谱
GFLOPS
7.80
文件大小
170.5 MB
推理转换可在
ResNet101_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。
