BEiT （基础规模模型，仅预训练）

BEiT模型是在ImageNet-22k（也被称为ImageNet-21k）数据集上以自监督的方式进行预训练的。该数据集包含了224x224分辨率的图像，共计1400万张图像和21841个类别。此模型由鲍航博，董立和魏富儒在论文 BEIT: BERT Pre-Training of Image Transformers 中首次提出，并在 this repository 中首次发布。

免责声明：发布BEiT模型的团队未为该模型编写模型卡片，因此该模型卡片由Hugging Face团队编写。

模型描述

BEiT模型是一种视觉变换器（Vision Transformer，ViT），它是一种变压器编码器模型（类似于BERT）。与原始的ViT模型不同，BEiT模型是在224x224像素的图像集合上通过自监督训练进行预训练的，即ImageNet-21k。该模型的预训练目标是基于掩码补丁，从OpenAI的DALL-E的VQ-VAE编码器中预测视觉标记。

图像以一系列固定大小的补丁（分辨率为16x16）的形式呈现给模型，这些补丁被线性嵌入。与原始的ViT模型相反，BEiT模型使用相对位置嵌入（类似于T5），而不是绝对位置嵌入，并且通过对补丁的最终隐藏状态进行平均池化来对图像进行分类，而不是在[CLS]的最终隐藏状态上放置线性层。

通过对模型进行预训练，它可以学习到图像的内部表示，然后可以用于提取下游任务中有用的特征：例如，如果您有一组带有标签的图像数据集，可以在预训练编码器的顶部放置一个线性层来训练标准分类器。通常情况下，线性层会放置在[CLS]标记的顶部，因为该标记的最后隐藏状态可以看作是整个图像的表示。或者，也可以对补丁嵌入的最终隐藏状态进行平均池化，并在其上放置一个线性层。

适用范围和局限性

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

如何使用

以下是如何使用此模型的说明：

from transformers import BeitFeatureExtractor, BeitForMaskedImageModeling
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 = BeitFeatureExtractor.from_pretrained('microsoft/beit-base-patch16-224-pt22k')
model = BeitForMaskedImageModeling.from_pretrained('microsoft/beit-base-patch16-224-pt22k')

inputs = feature_extractor(images=image, return_tensors="pt")
outputs = model(**inputs)
logits = outputs.logits

目前，功能提取器和模型都支持PyTorch。

训练数据

BEiT模型是在数据集 ImageNet-21k 上进行预训练的，该数据集包含了1400万张图像和21,000个类别。

训练过程

预处理

关于训练/验证期间图像的确切预处理细节，请参见 here 。

图像被调整大小/缩放为相同的分辨率（224x224），并在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

关于所有预训练相关的超参数，请参考 original paper 的第15页。

评估结果

关于几个图像分类基准数据集的评估结果，请参考原始论文的表格1和表格2。请注意，进行微调时，使用更高的分辨率可以获得更好的结果。当然，增加模型大小将导致更好的性能。

BibTeX引用和引文信息

  author    = {Hangbo Bao and
               Li Dong and
               Furu Wei},
  title     = {BEiT: {BERT} Pre-Training of Image Transformers},
  journal   = {CoRR},
  volume    = {abs/2106.08254},
  year      = {2021},
  url       = {https://arxiv.org/abs/2106.08254},
  archivePrefix = {arXiv},
  eprint    = {2106.08254},
  timestamp = {Tue, 29 Jun 2021 16:55:04 +0200},
  biburl    = {https://dblp.org/rec/journals/corr/abs-2106-08254.bib},
  bibsource = {dblp computer science bibliography, https://dblp.org}
}

@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}
}