VisionTransformer¶
VisionTransformer 模型基於 一張影像等於 16x16 個詞語：用於大規模影像識別的 Transformer (An Image is Worth 16x16 Words: Transformers for Image Recognition at Scale) 論文。
模型構建器¶
以下模型構建器可用於例項化 VisionTransformer 模型，無論是否帶有預訓練權重。所有模型構建器內部都依賴於 torchvision.models.vision_transformer.VisionTransformer 基類。有關此類的更多詳細資訊，請參閱原始碼。
|
根據 一張影像等於 16x16 個詞語：用於大規模影像識別的 Transformer 構建 vit_b_16 架構。 |
|
根據 一張影像等於 16x16 個詞語：用於大規模影像識別的 Transformer 構建 vit_b_32 架構。 |
|
根據 一張影像等於 16x16 個詞語：用於大規模影像識別的 Transformer 構建 vit_l_16 架構。 |
|
根據 一張影像等於 16x16 個詞語：用於大規模影像識別的 Transformer 構建 vit_l_32 架構。 |
|
根據 一張影像等於 16x16 個詞語：用於大規模影像識別的 Transformer 構建 vit_h_14 架構。 |
