快捷方式

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

vit_b_16(*[, weights, progress])

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。

vit_b_32(*[, weights, progress])

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。

vit_l_16(*[, weights, progress])

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。

vit_l_32(*[, weights, progress])

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。

vit_h_14(*[, weights, progress])

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。

文档

访问 PyTorch 的完整开发者文档

查看文档

教程

获取针对初学者和高级开发者的深度教程

查看教程

资源

查找开发资源并获得问题解答

查看资源