# ReXNet

**カテゴリ:** Efficient/Mobile · **コード:** [`timm/models/rexnet.py`](https://github.com/huggingface/pytorch-image-models/blob/main/timm/models/rexnet.py) · **アーキテクチャ:** 10 · **事前学習済み重み:** 9 (ImageNet-1kの結果を含むものが7)

ReXNetは、表現上のボトルネックを軽減するために、インバーテッド・レジデュアルネットワークのチャネル構成を見直します。`rexnetr_*`バリアントでは、チャネル数を8の倍数に丸めます。

## 論文

* [効率的なモデル設計のためのチャネル次元の再考](https://arxiv.org/abs/2007.00992)

## 使用方法

事前学習済み重みの読み込み、画像の前処理、ファインチューニングについては[クイックスタート](../quickstart)を、モデルをバックボーンとして使用する方法については[特徴抽出](../feature_extraction)を参照してください。

```py
>>> import timm
>>> model = timm.create_model('rexnet_300.nav_in1k', pretrained=True)
>>> data_config = timm.data.resolve_model_data_config(model)
```

## モデルAPIのサポート

| 機能 | `RexNet` |
|---|---|
| [`features_only=True` 特徴マップ](../model_api#intermediate-features) | ✓ (strides 2, 4, 8, 16, 32) |
| [`forward_intermediates()`](../model_api#intermediate-features) | ✓ |
| [`prune_intermediate_layers()`](../model_api#intermediate-features) | ✓ |
| [入力サイズは任意で、変更は不要です](../model_api#input-size) | ✓ |
| [`set_input_size()`](../model_api#input-size) | – |
| [`dynamic_img_size=True`](../model_api#input-size) | – |
| [`set_grad_checkpointing()`](../model_api#training-hooks) | ✓ |
| [レイヤーごとのLR減衰（`group_matcher()`）](../model_api#training-hooks) | ✓ |
| [`reset_classifier()`](../model_api#classifier) | ✓ |

✓ 対応、✓ (square) 正方形サイズのみ対応、✗ 非対応、– 不要（モデルはすでに任意の入力サイズを受け入れる）。各機能をランダムに初期化されたモデル（`RexNet` の `rexnet_100`、224）で実行して確認しています。同じクラスの他のアーキテクチャも同様に動作すると予想されます。詳細は [Model API](../model_api) ページを参照してください。

## アーキテクチャ

| アーキテクチャ | パラメータ数 (M) | GMACs | 入力サイズ | 事前学習済み重み |
|---|---:|---:|---:|---:|
| `rexnet_100` | 4.80 | 0.41 | 224 | 1 |
| `rexnet_130` | 7.56 | 0.68 | 224 | 1 |
| `rexnet_150` | 9.73 | 0.90 | 224 | 1 |
| `rexnet_200` | 16.37 | 1.56 | 224 | 1 |
| `rexnet_300` | 34.71 | 3.44 | 224 | 1 |
| `rexnetr_100` | 4.88 | 0.43 | 224 | 0 |
| `rexnetr_130` | 7.61 | 0.68 | 224 | 0 |
| `rexnetr_150` | 9.78 | 0.89 | 224 | 0 |
| `rexnetr_200` | 16.52 | 1.59 | 224 | 2 |
| `rexnetr_300` | 34.81 | 3.39 | 224 | 2 |

GMACsとパラメータ数は、各アーキテクチャのデフォルトの入力サイズと分類器に基づいており、[ベンチマーク結果](https://github.com/huggingface/pytorch-image-models/tree/main/results)から得られたものです。

## 事前学習済み重み

Top-1 は、[`results-imagenet.csv`](https://github.com/huggingface/pytorch-image-models/blob/main/results/results-imagenet.csv) に記載された評価サイズでの ImageNet-1k 検証精度です。- は、ImageNet-1k の結果がない重み（例: プリトレーニング用または画像-テキスト用重み）を示します。Classes は事前学習済み分類器のサイズで、分類器を持たない重みには該当しません。

重みはソースごとにグループ化されます。ソースは、事前学習設定で指定されている論文または出典、それ以外の場合は`timm`以外の Hub 組織、さらにそれ以外の場合は事前学習タグの最初の部分（`architecture.tag`）です。重みが 1 つしかないソースは other にリストされます。

### `nav` タグ

| 重み | 入力サイズ | Top-1 (%) | 評価サイズ | クラス | ライセンス | Hub |
|---|---:|---:|---:|---:|---|---|
| `rexnet_100.nav_in1k` | 224 | 77.862 | 224 | 1000 | mit | [timm](https://huggingface.co/timm/rexnet_100.nav_in1k) |
| `rexnet_130.nav_in1k` | 224 | 79.492 | 224 | 1000 | mit | [timm](https://huggingface.co/timm/rexnet_130.nav_in1k) |
| `rexnet_150.nav_in1k` | 224 | 80.322 | 224 | 1000 | mit | [timm](https://huggingface.co/timm/rexnet_150.nav_in1k) |
| `rexnet_200.nav_in1k` | 224 | 81.636 | 224 | 1000 | mit | [timm](https://huggingface.co/timm/rexnet_200.nav_in1k) |
| `rexnet_300.nav_in1k` | 224 | 82.780 | 224 | 1000 | mit | [timm](https://huggingface.co/timm/rexnet_300.nav_in1k) |

### `sw`タグ

| 重み | 入力サイズ | Top-1 (%) | 評価サイズ | クラス | ライセンス | Hub |
|---|---:|---:|---:|---:|---|---|
| `rexnetr_200.sw_in12k` | 224（テスト 288） | - | - | 11821 | apache-2.0 | [timm](https://huggingface.co/timm/rexnetr_200.sw_in12k) |
| `rexnetr_200.sw_in12k_ft_in1k` | 224（テスト 288） | 83.160 | 288 | 1000 | apache-2.0 | [timm](https://huggingface.co/timm/rexnetr_200.sw_in12k_ft_in1k) |
| `rexnetr_300.sw_in12k` | 224（テスト 288） | - | - | 11821 | apache-2.0 | [timm](https://huggingface.co/timm/rexnetr_300.sw_in12k) |
| `rexnetr_300.sw_in12k_ft_in1k` | 224（テスト 288） | 84.582 | 288 | 1000 | apache-2.0 | [timm](https://huggingface.co/timm/rexnetr_300.sw_in12k_ft_in1k) |