Vision Transformer (ViT) đưa Transformer từ văn bản sang ảnh: cắt ảnh thành các mảnh vuông nhỏ (patch), biến mỗi mảnh thành một vector, rồi coi các vector đó như các token trong câu. Nhờ attention, mỗi mảnh lấy được thông tin từ mọi mảnh khác ngay ở lớp đầu, trong khi CNN phải qua nhiều lớp mới nối được hai vùng xa nhau. Bài này đưa một ảnh nhỏ qua từng bước của ViT, và học cách mạng biết vị trí của mỗi mảnh.
Bài này dành cho tài khoản Pro
Mở khóa bằng tài khoản Pro