vit_l_32¶
- torchvision.models.vit_l_32(*, weights: Optional[ViT_L_32_Weights] = None, progress: bool = True, **kwargs: Any) VisionTransformer[source]¶
构建了一个vit_l_32架构，源自 An Image is Worth 16x16 Words: Transformers for Image Recognition at Scale。
- Parameters:
weights (
ViT_L_32_Weights, 可选) – 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_L_32_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_L_32_Weights(value)[source]¶
上面的模型构建器接受以下值作为
weights参数。ViT_L_32_Weights.DEFAULT等同于ViT_L_32_Weights.IMAGENET1K_V1。你也可以使用字符串，例如weights='DEFAULT'或weights='IMAGENET1K_V1'。ViT_L_32_Weights.IMAGENET1K_V1:
这些权重是通过使用DeIT的训练配方的修改版本从头开始训练的。 也可作为
ViT_L_32_Weights.DEFAULT使用。准确率@1（在ImageNet-1K上）
76.972
acc@5 (在 ImageNet-1K 上)
93.07
分类
鲶鱼，金鱼，大白鲨，…（省略997种）
num_params
306535400
最小尺寸
高度=224, 宽度=224
食谱
GFLOPS
15.38
文件大小
1169.4 MB
推理转换可在
ViT_L_32_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。
