卷积视觉变换器（CvT）

CvT-13模型在ImageNet-1k数据集上进行了预训练，分辨率为224x224。它是由Wu等人在 CvT: Introducing Convolutions to Vision Transformers 论文中提出的，并于 this repository 首次发布。

免责声明：发布CvT的团队没有为该模型编写模型卡片，因此这个模型卡片是由Hugging Face团队编写的。

用法

以下是如何使用该模型将COCO 2017数据集中的图像分类为其中一个1,000个ImageNet类别的方法：

from transformers import AutoFeatureExtractor, CvtForImageClassification
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 = AutoFeatureExtractor.from_pretrained('microsoft/cvt-13')
model = CvtForImageClassification.from_pretrained('microsoft/cvt-13')

inputs = feature_extractor(images=image, return_tensors="pt")
outputs = model(**inputs)
logits = outputs.logits
# model predicts one of the 1000 ImageNet classes
predicted_class_idx = logits.argmax(-1).item()
print("Predicted class:", model.config.id2label[predicted_class_idx])