#深度学习

Vision Transformer（ViT）是一款图像分类模型，采用Transformer编码器架构，通过将图像分割为固定大小patch进行处理。模型在包含1400万张图像的ImageNet-21k数据集完成预训练，并在ImageNet-1k数据集上进行384x384分辨率的微调。提供预训练权重，可直接应用于图像分类或迁移学习任务。