Nat Base In1k 224

🚀 NAT (基礎變體)

NAT（Neighborhood Attention Transformer）是一種基於鄰域注意力機制的分層視覺變換器模型。該模型在 ImageNet-1K 數據集上以 224x224 分辨率進行訓練，可用於圖像分類任務。

🚀 快速開始

你可以使用原始模型進行圖像分類。你可以在 模型中心 中查找針對你感興趣的任務進行微調的版本。

以下是如何使用此模型將來自 COCO 2017 數據集的圖像分類為 1000 個 ImageNet 類別之一的示例：

from transformers import AutoImageProcessor, NatForImageClassification
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 = AutoImageProcessor.from_pretrained("shi-labs/nat-base-in1k-224")
model = NatForImageClassification.from_pretrained("shi-labs/nat-base-in1k-224")

inputs = feature_extractor(images=image, return_tensors="pt")
outputs = model(**inputs)
logits = outputs.logits
# 模型預測 1000 個 ImageNet 類別之一
predicted_class_idx = logits.argmax(-1).item()
print("Predicted class:", model.config.id2label[predicted_class_idx])

更多示例請參考 文檔。

✨ 主要特性

• 分層視覺變換器：NAT 是基於鄰域注意力（NA）的分層視覺變換器。
• 鄰域注意力機制：鄰域注意力是一種受限的自注意力模式，其中每個標記的感受野僅限於其最近的相鄰像素。
• 滑動窗口注意力模式：NA 是一種滑動窗口注意力模式，因此具有高度的靈活性並保持平移等變性。
• PyTorch 實現：NA 通過其擴展 NATTEN 在 PyTorch 中實現。

📚 詳細文檔

模型描述

NAT 是基於鄰域注意力（NA）的分層視覺變換器。鄰域注意力是一種受限的自注意力模式，其中每個標記的感受野僅限於其最近的相鄰像素。NA 是一種滑動窗口注意力模式，因此具有高度的靈活性並保持平移等變性。

NA 通過其擴展 NATTEN 在 PyTorch 中實現。

來源

預期用途和限制

你可以使用原始模型進行圖像分類。你可以在 模型中心 中查找針對你感興趣的任務進行微調的版本。

要求

除了 transformers 之外，此模型還需要 NATTEN 包。

如果你使用的是 Linux 系統，可以參考 shi-labs.com/natten 上的說明，使用預編譯的二進制文件進行安裝（只需選擇你的 PyTorch 版本以獲取正確的 wheel URL）。

你也可以使用 pip install natten 在你的設備上進行編譯，這可能需要幾分鐘時間。Mac 用戶只能使用後一種方法（沒有預編譯的二進制文件）。

更多信息請參考 NATTEN 的 GitHub。

BibTeX 引用和引用信息

@article{hassani2022neighborhood,
	title        = {Neighborhood Attention Transformer},
	author       = {Ali Hassani and Steven Walton and Jiachen Li and Shen Li and Humphrey Shi},
	year         = 2022,
	url          = {https://arxiv.org/abs/2204.07143},
	eprint       = {2204.07143},
	archiveprefix = {arXiv},
	primaryclass = {cs.CV}
}

📄 許可證

本項目採用 MIT 許可證。