vit_h_14¶

torchvision.models.vit_h_14(*, weights: Optional[ViT_H_14_Weights] = None, progress: bool = True, **kwargs: Any) → VisionTransformer[source]¶

构建了一个vit_h_14架构，源自 An Image is Worth 16x16 Words: Transformers for Image Recognition at Scale.

Parameters:

weights (ViT_H_14_Weights, 可选) – 要使用的预训练权重。有关更多详细信息和可能的值，请参见下面的ViT_H_14_Weights。默认情况下，不使用预训练的权重。
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.vision_transformer.VisionTransformer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.ViT_H_14_Weights(value)[source]¶

上面的模型构建器接受以下值作为weights参数。ViT_H_14_Weights.DEFAULT等同于ViT_H_14_Weights.IMAGENET1K_SWAG_E2E_V1。你也可以使用字符串，例如weights='DEFAULT'或weights='IMAGENET1K_SWAG_E2E_V1'。

ViT_H_14_Weights.IMAGENET1K_SWAG_E2E_V1:

这些权重是通过迁移学习在ImageNet-1K数据上对原始SWAG权重进行端到端微调而学习的。也可作为ViT_H_14_Weights.DEFAULT使用。

准确率@1（在ImageNet-1K上）	88.552
acc@5 (在 ImageNet-1K 上)	98.694
分类	鲶鱼，金鱼，大白鲨，…（省略997种）
食谱	link
许可证	link
num_params	633470440
最小尺寸	高度=518, 宽度=518
GFLOPS	1016.72
文件大小	2416.6 MB

推理转换可在ViT_H_14_Weights.IMAGENET1K_SWAG_E2E_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.BICUBIC调整大小为resize_size=[518]，然后进行crop_size=[518]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。

ViT_H_14_Weights.IMAGENET1K_SWAG_LINEAR_V1:

这些权重由原始的冻结SWAG主干权重和在ImageNet-1K数据上训练的线性分类器组成。

准确率@1（在ImageNet-1K上）	85.708
acc@5 (在 ImageNet-1K 上)	97.73
分类	鲶鱼，金鱼，大白鲨，…（省略997种）
食谱	link
许可证	link
num_params	632045800
最小尺寸	高度=224, 宽度=224
GFLOPS	167.29
文件大小	2411.2 MB

推理转换可在 ViT_H_14_Weights.IMAGENET1K_SWAG_LINEAR_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.BICUBIC 调整大小为 resize_size=[224]，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。