Vision Transformer（巨型模型）

Vision Transformer（ViT）模型在ImageNet-21k上（1400万个图像，21843个类别）进行了预训练，分辨率为224x224。它在Dosovitskiy等人的论文《 An Image is Worth 16x16 Words: Transformers for Image Recognition at Scale 》中首次提出，并在《 this repository 》中首次发布。但是，权重是由Ross Wightman从《 timm repository 》中转换而来，他已经将权重从JAX转换为PyTorch。感谢他的贡献。

声明：ViT发布团队没有为该模型编写模型卡片，因此本模型卡片由Hugging Face团队编写。

模型描述

Vision Transformer（ViT）是一个在大量图像上进行预训练的Transformer编码器模型（类似于BERT），分辨率为224x224像素。

将图像作为固定大小的补丁序列（分辨率为16x16）呈现给模型，然后进行线性嵌入。还在序列的开头添加了一个[CLS]令牌，用于分类任务。在将序列馈送到Transformer编码器的层之前，还要添加绝对位置嵌入。

请注意，该模型不提供任何已经微调的头部，因为这些头部已被Google研究人员设置为零。然而，模型包含了预训练的汇聚器，可用于下游任务（例如图像分类）。

通过预训练模型，可以学习到一种内部表示图像的方式，然后可以用于提取对下游任务有用的特征：例如，如果您有一个带有标签的图像数据集，可以在预训练的编码器之上放置一个线性层来训练标准分类器。通常将线性层放在[CLS]令牌的顶部，因为该令牌的最后隐藏状态可以看作是整个图像的表示。

拟合使用和限制

您可以使用原始模型进行图像分类。查看《 model hub 》以寻找您感兴趣的任务的微调版本。

如何使用

以下是使用此模型的方法：

from transformers import ViTFeatureExtractor, ViTModel
from PIL import Image
import requests
url = 'http://images.cocodataset.org/val2017/000000039769.jpg'
image = Image.open(requests.get(url, stream=True).raw)
feature_extractor = ViTFeatureExtractor.from_pretrained('google/vit-huge-patch14-224-in21k')
model = ViTModel.from_pretrained('google/vit-huge-patch14-224-in21k')
inputs = feature_extractor(images=image, return_tensors="pt")
outputs = model(**inputs)
last_hidden_states = outputs.last_hidden_state

目前，功能提取器和模型都支持PyTorch。TensorFlow和JAX/FLAX即将支持，ViTFeatureExtractor的API可能会发生变化。

训练数据

ViT模型在包含1400万个图像和2.1万个类别的数据集《 ImageNet-21k 》上进行了预训练。

训练过程

预处理

有关训练/验证期间图像预处理的详细信息，请查看《 here 》。

图像被调整大小/缩放为相同的分辨率（224x224），并在RGB通道上进行了归一化处理，均值为（0.5, 0.5, 0.5），标准差为（0.5, 0.5, 0.5）。

预训练

该模型在TPUv3硬件（8个核心）上进行了训练。使用批量大小为4096和学习率预热进行训练的所有模型变体。对于ImageNet，作者发现在全局范数1处另外进行梯度剪裁是有益的。预训练分辨率为224。

评估结果

有关几个图像分类基准测试的评估结果，请参阅原始论文的表2和表5。请注意，在微调过程中，较高的分辨率（384x384）可以获得最佳结果。当然，增加模型的大小将会提高性能。

BibTeX条目和引用信息

@misc{wu2020visual,
      title={Visual Transformers: Token-based Image Representation and Processing for Computer Vision}, 
      author={Bichen Wu and Chenfeng Xu and Xiaoliang Dai and Alvin Wan and Peizhao Zhang and Zhicheng Yan and Masayoshi Tomizuka and Joseph Gonzalez and Kurt Keutzer and Peter Vajda},
      year={2020},
      eprint={2006.03677},
      archivePrefix={arXiv},
      primaryClass={cs.CV}
}

@inproceedings{deng2009imagenet,
  title={Imagenet: A large-scale hierarchical image database},
  author={Deng, Jia and Dong, Wei and Socher, Richard and Li, Li-Jia and Li, Kai and Fei-Fei, Li},
  booktitle={2009 IEEE conference on computer vision and pattern recognition},
  pages={248--255},
  year={2009},
  organization={Ieee}
}