NFNet

类别： CNN · 代码： timm/models/nfnet.py · 架构： 36 · 预训练权重： 14（14 个具有 ImageNet-1k 结果）

无归一化网络，在不使用批归一化的情况下，通过缩放权重标准化进行训练：NFNet（带有自适应梯度裁剪）、NF-RegNet 和预激活 NF-ResNet 模型。

论文

用法

请参阅快速入门了解如何加载预训练权重、进行图像预处理和微调，以及查阅特征提取了解如何将模型用作骨干网络。

>>> import timm
>>> model = timm.create_model('nf_resnet50.ra2_in1k', pretrained=True)
>>> data_config = timm.data.resolve_model_data_config(model)

模型 API 支持

功能	`NormFreeNet`
`features_only=True` 特征图	✓（步长 2、4、8、16、32）
`forward_intermediates()`	✓
`prune_intermediate_layers()`	✓
任意输入尺寸，无需更改	✓
`set_input_size()`	–
`dynamic_img_size=True`	–
`set_grad_checkpointing()`	✓
逐层学习率衰减（`group_matcher()`）	✓
`reset_classifier()`	✓

✓ 支持，✓ (square) 仅支持方形尺寸，✗ 不支持，– 无需支持（模型本身已接受任意输入尺寸）。通过在每个功能上运行随机初始化的模型（NormFreeNet 使用 nf_regnet_b0，尺寸为 192）进行验证，同一类的其他架构预计表现相同。详情请参阅 Model API 页面。

架构

架构	参数（M）	GMAC	输入大小	预训练权重
`dm_nfnet_f0`	71.49	7.21	192	1
`dm_nfnet_f1`	132.63	17.87	224	1
`dm_nfnet_f2`	193.78	33.76	256	1
`dm_nfnet_f3`	254.92	68.77	320	1
`dm_nfnet_f4`	316.07	122.14	384	1
`dm_nfnet_f5`	377.21	170.71	416	1
`dm_nfnet_f6`	438.36	229.70	448	1
`eca_nfnet_l0`	24.14	4.35	224	1
`eca_nfnet_l1`	41.41	9.62	256	1
`eca_nfnet_l2`	56.72	20.95	320	1
`eca_nfnet_l3`	72.04	32.57	352	0
`nf_ecaresnet26`	16.00	2.41	224	0
`nf_ecaresnet50`	25.56	4.21	224	0
`nf_ecaresnet101`	44.55	8.01	224	0
`nf_regnet_b0`	8.76	0.37	192	0
`nf_regnet_b1`	10.22	0.82	256	1
`nf_regnet_b2`	14.31	0.97	240	0
`nf_regnet_b3`	18.59	1.67	288	0
`nf_regnet_b4`	30.21	3.29	320	0
`nf_regnet_b5`	49.74	7.95	384	0
`nf_resnet26`	16.00	2.41	224	0
`nf_resnet50`	25.56	5.46	256	1
`nf_resnet101`	44.55	8.01	224	0
`nf_seresnet26`	17.40	2.41	224	0
`nf_seresnet50`	28.09	4.21	224	0
`nf_seresnet101`	49.33	8.02	224	0
`nfnet_f0`	71.49	7.21	192	0
`nfnet_f1`	132.63	17.87	224	0
`nfnet_f2`	193.78	33.76	256	0
`nfnet_f3`	254.92	68.77	320	0
`nfnet_f4`	316.07	122.14	384	0
`nfnet_f5`	377.21	170.71	416	0
`nfnet_f6`	438.36	229.70	448	0
`nfnet_f7`	499.50	300.08	480	0
`nfnet_l0`	35.07	4.36	224	1
`test_nfnet`	0.38	0.29	160	1

GMACs 和参数量对应于每种架构的默认输入大小和分类器，数据来自基准测试结果。

预训练权重

Top-1 是 results-imagenet.csv 中在所列评估规模下的 ImageNet-1k 验证准确率，- 表示该权重没有 ImageNet-1k 结果（例如预训练权重或图文权重）。Classes 是预训练分类器的大小，对于没有分类器的权重则为 none。

权重按来源分组：预训练配置中给出的论文或来源，否则为 timm 以外的 Hub 组织，否则为预训练标签的第一部分（architecture.tag）。仅包含单个权重的来源列在 other 下。

dm 标签

权重	输入大小	Top-1（%）	评估大小	类	许可证	Hub
`dm_nfnet_f0.dm_in1k`	192（测试 256）	83.468	256	1000	apache-2.0	timm
`dm_nfnet_f1.dm_in1k`	224（测试 320）	84.700	320	1000	apache-2.0	timm
`dm_nfnet_f2.dm_in1k`	256（测试 352）	85.184	352	1000	apache-2.0	timm
`dm_nfnet_f3.dm_in1k`	320（测试 416）	85.676	416	1000	apache-2.0	timm
`dm_nfnet_f4.dm_in1k`	384（测试 512）	85.838	512	1000	apache-2.0	timm
`dm_nfnet_f5.dm_in1k`	416（测试 544）	86.102	544	1000	apache-2.0	timm
`dm_nfnet_f6.dm_in1k`	448（测试 576）	86.364	576	1000	apache-2.0	timm

ra2 标签

权重	输入大小	Top-1（%）	评估大小	类	许可证	Hub
`eca_nfnet_l0.ra2_in1k`	224（测试 288）	82.590	288	1000	apache-2.0	timm
`eca_nfnet_l1.ra2_in1k`	256（测试 320）	84.062	320	1000	apache-2.0	timm
`nf_regnet_b1.ra2_in1k`	256（测试 288）	79.368	288	1000	apache-2.0	timm
`nf_resnet50.ra2_in1k`	256（测试 288）	80.658	288	1000	apache-2.0	timm
`nfnet_l0.ra2_in1k`	224（测试 288）	82.766	288	1000	apache-2.0	timm

其他

权重	输入大小	Top-1（%）	评估大小	类	许可证	Hub
`eca_nfnet_l2.ra3_in1k`	320（测试 384）	84.710	384	1000	apache-2.0	timm
`test_nfnet.r160_in1k`	160	47.634	160	1000	apache-2.0	timm

Update on GitHub