橙子AI科技 Logo 橙子AI科技 需求咨询
菜单
模型

resnet50.a1_in1k

timm/resnet50.a1_in1k

查看上游原文 ↗
上游访问：公开 本站服务：可咨询 内容检查：AI 辅助整理并检查 许可证：apache-2.0 上游版本：767268603ca0

中文简介

timm/resnet50.a1_in1k 是 timm 在 Hugging Face 发布的模型仓库，当前卡片主要关联图像分类。本站固定记录上游版本 767268603ca0，同步到 5 个文件，文件元数据合计 195.52 MB；访问状态为“公开”，许可证字段为“apache-2.0”。

UPSTREAM README

上游模型卡 / 数据集卡

在 Hugging Face 查看原文 ↗

【README 卡片中文译介】

以下内容依据上游仓库 timm/resnet50.a1_in1k 的固定版本 README、卡片字段和文件元数据进行中文结构化整理。它保留便于选型的关键信息，完整技术细节、代码示例和许可文本请同时查看上游原文。

【资源概览】
timm/resnet50.a1_in1k 是 timm 在 Hugging Face 发布的模型仓库，当前卡片主要关联图像分类。本站固定记录上游版本 767268603ca0，同步到 5 个文件，文件元数据合计 195.52 MB；访问状态为“公开”，许可证字段为“apache-2.0”。

【适用方向】
适合在真实样本上评估图像分类能力，并比较质量、时延和资源消耗。 建议先用小规模样本验证推理框架、输入输出格式和任务指标，再决定是否进入完整权重获取、量化或部署评估。

【版本与规格】
固定版本：767268603ca0。 任务标签：图像分类。 上游 Safetensors 元数据显示参数量约 25.61 M。 库标记：timm。 上游页面记录的最近更新时间：2025-07-11。

【文件信息】
上游 API 返回 5 个文件，文件元数据合计 195.52 MB。 已保存文件清单中的主要扩展名：.bin 1 个、.json 1 个、.md 1 个、.safetensors 1 个、无扩展名 1 个。 当前较大的文件包括：pytorch_model.bin（97.79 MB）；model.safetensors（97.72 MB）；README.md（37.53 KB）。

【运行或处理环境】
仓库文件元数据合计 195.52 MB。 按每参数 2 字节只计算 BF16 权重，理论下限约 48.85 MB；这不包含 KV Cache、激活值、框架开销或并发余量。 实际显存与内存由精度、量化方式、上下文长度、批量、并发、MoE 专家加载方式和推理框架共同决定，不能只凭参数名或仓库大小作部署承诺；应在目标格式和目标硬件上实测。

【使用边界】
许可证显示为“apache-2.0”，具体用途限制、附加政策和归属要求仍以上游原文为准。 模型输出、工具调用和生成内容可能出现错误、偏见或安全风险，面向业务前应建立任务级评测、权限隔离和人工确认。

已有简体中文译文 · Codex 基于固定版本 README 与上游元数据生成中文结构化译介 · 2026-07-26 00:51

Model card for resnet50.a1_in1k A ResNet-B image classification model. This model features: ReLU activations single layer 7x7 convolution with pooling 1x1 convolution shortcut downsample Trained on ImageNet-1k in `timm` using recipe template described below. Recipe details: ResNet Strikes Back `A1` recipe LAMB optimizer with BCE loss Cosine LR schedule with warmup Model Details **Model Type:** Image classification / feature backbone **Model Stats:** Params (M): 25.6 GMACs: 4.1 Activations (M): 11.1 Image size: train = 224 x 224, test = 288 x 288 **Papers:** ResNet strikes back: An improved training procedure in timm: https://arxiv.org/abs/2110.00476 Deep Residual Learning for Image Recognition: https://arxiv.org/abs/1512.03385 **Original:** https://github.com/huggingface/pytorch-image-models Model Usage Image Classification Feature Map Extraction Image Embeddings Model Comparison Explore the dataset and runtime metrics of this model in timm model results. |model |img_size|top1 |top5 |param_count|gmacs|macts|img/sec| |------------------------------------------|--------|-----|-----|-----------|-----|-----|-------| |seresnextaa101d_32x8d.sw_in12k_ft_in1k_288|320 |86.72|98.17|93.6 |35.2 |69.7 |451 | |seresnextaa101d_32x8d.sw_in12k_ft_in1k_288|288 |86.51|98.08|93.6 |28.5 |56.4 |560 | |seresnextaa101d_32x8d.sw_in12k_ft_in1k|288 |86.49|98.03|93.6 |28.5 |56.4 |557 | |seresnextaa101d_32x8d.sw_in12k_ft_in1k|224 |85.96|97.82|93.6 |17.2 |34.2 |923 | |resnext101_32x32d.fb_wsl_ig1b_ft_in1k|224 |85.11|97.44|468.5 |87.3 |91.1 |254 | |resnetrs420.tf_in1k|416 |85.0 |97.12|191.9 |108.4|213.8|134 | |ecaresnet269d.ra2_in1k|352 |84.96|97.22|102.1 |50.2 |101.2|291 | |ecaresnet269d.ra2_in1k|320 |84.73|97.18|102.1 |41.5 |83.7 |353 | |resnetrs350.tf_in1k|384 |84.71|96.99|164.0 |77.6 |154.7|183 | |seresnextaa101d_32x8d.ah_in1k|288 |84.57|97.08|93.6 |28.5 |56.4 |557 | |resnetrs200.tf_in1k|320 |84.45|97.08|93.2 |31.5 |67.8 |446 | |resnetrs270.tf_in1k|352 |84.43|96.97|129.9 |51.1 |105.5|280 | |s

公开页仅展示原文摘录；完整模型卡或数据集卡请前往上游仓库查看。

适用场景

适合在真实样本上评估图像分类能力，并比较质量、时延和资源消耗。 建议先用小规模样本验证推理框架、输入输出格式和任务指标，再决定是否进入完整权重获取、量化或部署评估。

模型参数

固定版本：767268603ca0。 任务标签：图像分类。 上游 Safetensors 元数据显示参数量约 25.61 M。 库标记：timm。 上游页面记录的最近更新时间：2025-07-11。

文件说明

上游 API 返回 5 个文件，文件元数据合计 195.52 MB。 已保存文件清单中的主要扩展名：.bin 1 个、.json 1 个、.md 1 个、.safetensors 1 个、无扩展名 1 个。 当前较大的文件包括：pytorch_model.bin（97.79 MB）；model.safetensors（97.72 MB）；README.md（37.53 KB）。

上游文件元数据

以下仅为 Hugging Face 官方 API 返回的文件名与大小元数据，官网没有下载或托管这些文件。

  • .gitattributes1.44 KB
  • config.json756 B
  • model.safetensors97.72 MB
  • pytorch_model.bin97.79 MB
  • README.md37.53 KB

硬件建议

仓库文件元数据合计 195.52 MB。 按每参数 2 字节只计算 BF16 权重，理论下限约 48.85 MB；这不包含 KV Cache、激活值、框架开销或并发余量。 实际显存与内存由精度、量化方式、上下文长度、批量、并发、MoE 专家加载方式和推理框架共同决定，不能只凭参数名或仓库大小作部署承诺；应在目标格式和目标硬件上实测。

注意事项

许可证显示为“apache-2.0”，具体用途限制、附加政策和归属要求仍以上游原文为准。 模型输出、工具调用和生成内容可能出现错误、偏见或安全风险，面向业务前应建立任务级评测、权限隔离和人工确认。

获取、校验与交付

咨询此资源时只需发送本页链接或资源准确全称。橙子AI科技会继续核对版本、文件与类型、README资料卡、许可证和访问条件，并在合法访问权限、许可证及平台规则允许的前提下，协助海内外下载、完整性校验及网盘或硬盘交付；本官网本身不托管或下载资源文件。

第三方资源声明

本页面为橙子AI科技基于固定版本上游卡片整理的中文信息与服务说明，不代表资源作者或平台官方页面。实际许可、访问和使用条件以上游原文为准。