Vision Transformer （ViT）是一个 transformer 编码器模型（类似 BERT），以 224x224 像素的受监督方式在大量图像（即 ImageNet-21k）上进行预训练。

Go to file

pice35408784b54431987c4d13c457b9cd 2fda929fd9 Add .gitattributes Signed-off-by: pice35408784b54431987c4d13c457b9cd <c457b9cd@leinao.ai>		2024-11-26 14:21:50 +08:00
.gitattributes	Add .gitattributes	2024-11-26 14:21:50 +08:00
README.md	Initial commit	2024-11-26 14:21:50 +08:00

vit-base-patch16-384_a13728443302801408312394

Vision Transformer （ViT）是一个 transformer 编码器模型（类似 BERT），以 224x224 像素的受监督方式在大量图像（即 ImageNet-21k）上进行预训练。