VisionTransformer¶
VisionTransformer 模型基于 一张图像等于 16x16 个词语：用于大规模图像识别的 Transformer (An Image is Worth 16x16 Words: Transformers for Image Recognition at Scale) 论文。
模型构建器¶
以下模型构建器可用于实例化 VisionTransformer 模型，无论是否带有预训练权重。所有模型构建器内部都依赖于 torchvision.models.vision_transformer.VisionTransformer 基类。有关此类的更多详细信息，请参阅源代码。
|
根据 一张图像等于 16x16 个词语：用于大规模图像识别的 Transformer 构建 vit_b_16 架构。 |
|
根据 一张图像等于 16x16 个词语：用于大规模图像识别的 Transformer 构建 vit_b_32 架构。 |
|
根据 一张图像等于 16x16 个词语：用于大规模图像识别的 Transformer 构建 vit_l_16 架构。 |
|
根据 一张图像等于 16x16 个词语：用于大规模图像识别的 Transformer 构建 vit_l_32 架构。 |
|
根据 一张图像等于 16x16 个词语：用于大规模图像识别的 Transformer 构建 vit_h_14 架构。 |
