# rexnetv1

Python API: `luxonis_train.nodes.backbones.rexnetv1`

ReXNet-lite 主干网络及其重复的线性瓶颈。

## 类

### LinearBottleneck

ReXNet 的倒置残差块，带线性投影。

当 `t` 不为 `1` 时，该块首先使用 `1x1` 卷积扩展通道。然后应用深度可分离卷积，并使用 `1x1` 卷积投影到 `channels`。扩展和深度可分离卷积以 `ReLU6` 结束。投影没有激活。每个卷积都有一个批归一化。

当 `stride` 为 `1` 且 `in_channels <= channels` 时，该块将其输入添加到前 `in_channels` 个输出通道。其他输出通道没有快捷连接。

> **示例**
> ```pycon
>>> import torch
>>> block = LinearBottleneck(8, 12, t=6)
>>> block(torch.zeros(1, 8, 4, 4)).shape
torch.Size([1, 12, 4, 4])
>>> strided = LinearBottleneck(8, 12, t=6, stride=2)
>>> strided(torch.zeros(1, 8, 4, 4)).shape
torch.Size([1, 12, 2, 2])
```

#### 方法

##### init

```python
def __init__(in_channels: int, channels: int, t: int, kernel_size: int = 3, stride: int = 1):
```

构建扩展、深度可分离和投影层。

参数

 * `in_channels` (`int`): 输入通道数。
 * `channels` (`int`): 输出通道数。
 * `t` (`int`): 扩展因子。深度可分离卷积有 `in_channels * t` 个通道。对于 `1`，该块没有扩展卷积。
 * `kernel_size` (`int`): 深度可分离核的大小。填充为 `kernel_size // 2`。
 * `stride` (`int`): 深度可分离卷积的步幅。

##### forward

```python
def forward(x: Tensor) -> Tensor:
```

应用层并添加部分快捷连接。

参数

 * `x` (`Tensor`): 形状为 `[B, in_channels, H, W]` 的输入。

返回

 * `Tensor`: 形状为 `[B, channels, H', W']` 的输出。深度可分离卷积的步幅设置 `H'` 和 `W'`。通过快捷连接，前 `in_channels` 个通道保存输入和投影的和。

#### 属性

##### out

扩展、深度可分离和投影层。

### ReXNetV1_lite

用于轻量级卷积特征的 Lite ReXNetV1 主干网络。

ReXNet（Rank Expansion Networks）使其块的通道数随深度线性增长。lite 版本没有挤压-激励块，并且 `ReLU6` 是其唯一的激活函数。该节点是 18 个模块的堆栈：一个步幅为 2 的 `3x3` 茎，16 个 [LinearBottleneck](/software-v3/ai-inference/model-source/training/luxonis-train/luxonis-train-api-reference/nodes/backbones/rexnetv1.md) 块，分为六个阶段，以及一个 `1x1` 卷积。在默认参数下，此卷积有 1280 个通道。

 * `输入:`: * `inputs` (`Tensor`): [B, C, H, W]
 * `输出:`: * `features` (`list[Tensor]`): 每个 `out_indices` 一个；默认步幅为 2、8、16、32，通道数为 16、56、120、1280

> **参考文献**
> * 来源：改编自 [clovaai/rexnet](https://github.com/clovaai/rexnet) (MIT)。论文：[Rethinking Channel Dimensions for Efficient Model Design](https://arxiv.org/abs/2007.00992)。
 * 许可证：[MIT](https://github.com/clovaai/rexnet/blob/master/LICENSE)。版权所有 2021-present NAVER Corp。

> **注意事项**
> 茎始终需要 3 个输入通道。它不读取 `in_channels`。`out_indices` 按模块索引选择输出：`0` 是茎，`1` 到 `16` 是瓶颈，`17` 是最终的 `1x1` 卷积。

 * `变体:`: 无。通过 `params` 配置节点。

> **示例**
> 配置的 `model.nodes` 部分中的节点条目：

```yaml
- name: ReXNetV1_lite
```

 * `兼容:`: * 附加索引：`-1`，输入节点的最后一个输出

#### 方法

##### init

```python
def __init__(fix_head_stem: bool = False, divisible_value: int = 8, input_ch: int = 16, final_ch: int = 164, multiplier: float =
1.0, kernel_sizes: int | list[int] = 3, out_indices: list[int] | None = None, **kwargs):
```

构建茎、16 个瓶颈和最终卷积。

六个阶段分别有 1、2、2、3、3 和 5 个瓶颈。它们的第一批瓶颈按阶段顺序具有步幅 1、2、2、2、1 和 2。其他瓶颈具有步幅 1。第一阶段的瓶颈没有扩展。其他瓶颈将通道扩展 6 倍。

瓶颈的输出通道以 15 个相等步长从 `input_ch` 增长到 `input_ch + final_ch`。`multiplier` 缩放这些计数。低于 `1` 的 `multiplier` 仅缩放增长，不缩放 `input_ch`。茎有 32 个通道。高于 `1` 的 `multiplier` 会给茎 `32 * multiplier` 个通道，给最终卷积 `int(1280 * multiplier)` 个通道，除非 `fix_head_stem` 为 `True`。构造函数将茎和瓶颈的通道数向上舍入为 `divisible_value` 的倍数。

参数

 * `fix_head_stem` (`bool`): 是否将茎保持在 32 个通道，将最终卷积保持在 1280 个通道。它仅在 `multiplier` 大于 `1` 时改变网络。
 * `divisible_value` (`int`): 茎和瓶颈的通道数是其倍数的数字。
 * `input_ch` (`int`): 第一个瓶颈的输出通道，在 `multiplier` 之前。
 * `final_ch` (`int`): 从第一个到最后一个瓶颈的通道增长，在 `multiplier` 之前。它不是最后一个瓶颈的通道数。
 * `multiplier` (`float`): 通道数的比例。
 * `kernel_sizes` (`int | list[int]`): 深度可分离核的大小。列表为六个阶段中的每个阶段提供一个大小。
 * `out_indices` (`list[int] | None`): 其输出 [forward](/software-v3/ai-inference/model-source/training/luxonis-train/luxonis-train-api-reference/nodes/backbones/rexnetv1.md) 返回的模块的索引。`0` 是茎，`1` 到 `16` 是瓶颈，`17` 是最终卷积。`None` 或空列表选择 `[1, 4, 10, 17]`。
 * `**kwargs`: 转发给 [BaseNode](/software-v3/ai-inference/model-source/training/luxonis-train/luxonis-train-api-reference/nodes/base_node.md) 的关键字参数。

引发

 * `ValueError`: 当 `kernel_sizes` 是一个不完全包含六个值的列表时。

##### forward

```python
def forward(inputs: Tensor) -> list[Tensor]:
```

运行所有 18 个模块并收集选定的输出。

> **示例**
> ```pycon
>>> import torch
>>> from luxonis_train.nodes import ReXNetV1_lite
>>> node = ReXNetV1_lite()
>>> [tuple(t.shape) for t in node(torch.zeros(1, 3, 64, 64))]
[(1, 16, 32, 32), (1, 56, 8, 8), (1, 120, 4, 4), (1, 1280, 2, 2)]
```

参数

 * `inputs` (`Tensor`): 形状为 `[B, 3, H, W]` 的图像批次。

返回

 * `list[Tensor]`: 索引在 `out_indices` 中的模块的输出，按模块顺序排列。超出 `0` 到 `17` 的索引不选择任何内容。默认索引给出步幅 2、8、16 和 32，通道数为 16、56、120 和 1280。

#### 属性

##### features
