Vision Transformer（大型模型）

Vision Transformer（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。它由Dosovitskiy等人在论文 An Image is Worth 16x16 Words: Transformers for Image Recognition at Scale 中提出，并在 this repository 中首次发布。然而，权重是由Ross Wightman从 timm repository 中转换的，他已经将权重从JAX转换为PyTorch。全部鸣谢归属于他。

声明：发布ViT的团队没有为这个模型写模型卡片，所以模型卡片是由Hugging Face团队编写的。

模型描述

Vision Transformer（ViT）是一个在大规模图像集合上以监督方式进行预训练的Transformer编码器模型（类似于BERT），分辨率为224x224像素。

图像以一系列固定大小的补丁（32x32分辨率）的方式呈现给模型，并进行线性嵌入。在序列的开头还添加了一个[CLS]标记，用于分类任务。在将序列输入Transformer编码器的层之前，还添加了绝对位置嵌入。

需要注意的是，这个模型没有提供任何微调的头部，因为这些都被Google研究人员置零了。然而，模型包含了预训练的池化器，可用于下游任务（如图像分类）。

通过对模型进行预训练，它学习到了图像的内在表示，然后可以用于提取对下游任务有用的特征：例如，如果你有一个带有标签的图像数据集，你可以在预训练的编码器之上放置一个线性层来训练一个标准分类器。通常情况下，将线性层放在[CLS]标记之上，因为这个标记的最后隐藏状态可以被看作是整个图像的表示。

预期用途和限制

您可以将原始模型用于图像分类。查看 model hub 以寻找您感兴趣的任务的微调版本。

如何使用

以下是如何使用此模型：

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-base-patch16-224-in21k')
model = ViTModel.from_pretrained('google/vit-base-patch16-224-in21k')
inputs = feature_extractor(images=image, return_tensors="pt")
outputs = model(**inputs)
last_hidden_state = outputs.last_hidden_state

当前特征提取器和模型都支持PyTorch。Tensorflow和JAX / FLAX即将推出，ViTFeatureExtractor的API可能会发生变化。

训练数据

ViT模型预训练在 ImageNet-21k 上，其中包含了1400万张图片和21k个类别。

训练过程

预处理

训练/验证期间对图像进行预处理的确切细节可以在 here 中找到。

图像被调整大小/缩放到相同的分辨率（224x224），并在RGB通道上进行规范化，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）上进行训练。所有模型变体的批大小为4096，并具有1万个学习率预热步骤。对于ImageNet，作者发现另外应用全局范数为1的梯度裁剪有益。预训练的分辨率为224。

评估结果

关于几个图像分类基准的评估结果，请参阅原始论文中的表2和表5。请注意，用于微调的最佳结果是用更高的分辨率（384x384）获得的。当然，增加模型的大小将导致更好的性能。

BibTeX条目和引文信息

@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}
}