Vision Transformer （ViT）模型在 ImageNet-21k（1400 万张图像，21843 个类别）上以 224x224 的分辨率进行预训练，并在 ImageNet 2012（100 万张图像，1000 个类别）上以 384x384 的分辨率进行微调。

Go to file

pice35408784b54431987c4d13c457b9cd a54d0b8f91 Add .gitattributes Signed-off-by: pice35408784b54431987c4d13c457b9cd <c457b9cd@leinao.ai>		2024-12-25 17:18:02 +08:00
.gitattributes	Add .gitattributes	2024-12-25 17:18:02 +08:00
README.md	Initial commit	2024-12-25 17:18:01 +08:00

vit-large-patch32-384_a14058242923032576570175

Vision Transformer （ViT） 模型在 ImageNet-21k（1400 万张图像，21843 个类别）上以 224x224 的分辨率进行预训练，并在 ImageNet 2012（100 万张图像，1000 个类别）上以 384x384 的分辨率进行微调。