视觉转换器（大型模型）

视觉转换器（ViT）模型在ImageNet-21k（1400万张图片，21843个类别）上进行了预训练，分辨率为224x224。它在Dosovitskiy等人的论文中首次提出，并于 this repository 年首次发布。然而，权重是由Ross Wightman从 timm repository 转换为了JAX to PyTorch。特此感谢他。

免责声明：ViT发布团队没有为该模型编写模型卡，因此此模型卡是由Hugging Face团队编写的。

模型描述

视觉转换器（ViT）是一个基于transformer编码器的模型（类似于BERT），在224x224像素的大规模图像集（即ImageNet-21k）上进行了有监督的预训练。

图像被呈现给模型作为固定大小的补丁序列（分辨率为16x16），这些补丁被线性嵌入。还在序列的开头添加了一个[CLS]标记，以用于分类任务。在将序列馈送给Transformer编码器的层之前还添加了绝对位置嵌入。

请注意，此模型不提供任何微调的头部，因为这些由Google研究人员将其置为零。但是，模型包括了预训练的池化器，可以用于下游任务（如图像分类）。

通过预训练模型，它学习了图像的内部表示，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，可以通过在预训练编码器的顶部放置一个线性层来训练一个标准分类器。通常在[CLS]标记的顶部放置一个线性层，因为这个标记的最后隐藏状态可以看作是整个图像的表示。

使用目的和限制

您可以使用原始模型嵌入图像，但主要用于在下游任务上进行微调。

使用方式

以下是如何使用此模型：

from transformers import ViTImageProcessor, ViTModel
from PIL import Image
import requests

url = 'http://images.cocodataset.org/val2017/000000039769.jpg'
image = Image.open(requests.get(url, stream=True).raw)

processor = ViTImageProcessor.from_pretrained('google/vit-large-patch16-224-in21k')
model = ViTModel.from_pretrained('google/vit-large-patch16-224-in21k')

inputs = processor(images=image, return_tensors="pt")
outputs = model(**inputs)
last_hidden_state = outputs.last_hidden_state

目前，特征提取器和模型都支持PyTorch。Tensorflow和JAX/FLAX即将到来，ViTFeatureExtractor的API可能会更改。

训练数据

ViT模型在 ImageNet-21k 上进行了预训练，该数据集包含了1400万张图片和21k个类别。

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可以在 here 中找到。

将图像调整大小/缩放到相同的分辨率（224x224），并且在RGB通道上使用均值（0.5, 0.5, 0.5）和标准差（0.5, 0.5, 0.5）进行归一化。

预训练

模型在TPUv3硬件（8个核心）上进行训练。所有模型变体都使用4096批大小和10k步的学习率预热进行训练。对于ImageNet，作者发现在全局范数为1时另外应用梯度剪裁会有益。预训练分辨率为224。

评估结果

有关几个图像分类基准的评估结果，请参考原始论文中的表2和表5。请注意，对于微调，最佳结果是在更高的分辨率（384x384）下获得的。当然，提高模型大小将会获得更好的性能。

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}
}