ビジョントランスフォーマー(VIT)モデルの動作原理と特性の詳細な分析
Vision Transformer (VIT) は、Google が提案した Transformer ベースの画像分類モデルです。従来の CNN モデルとは異なり、VIT は画像をシーケンスとして表し、画像のクラス ラベルを予測することで画像の構造を学習します。これを実現するために、VIT は入力イメージを複数のパッチに分割し、チャネルを通じて各パッチのピクセルを連結し、線形投影を実行して目的の入力寸法を実現します。最後に、各パッチが単一のベクトルに平坦化され、入力シーケンスが形成されます。 Transformer のセルフ アテンション メカニズムを通じて、VIT は異なるパッチ間の関係を捕捉し、効果的な特徴抽出と分類予測を実行できます。このシリアル化された画像表現方法は、コンピューター ビジョンのタスクに新しいアイデアと効果をもたらします。
Vision Transformer モデルは、物体検出、画像セグメンテーション、画像分類、アクション認識などの画像認識タスクで広く使用されています。さらに、視覚的な基礎、視覚的な質問応答、視覚的な推論など、生成モデリングやマルチモデルのタスクにも適しています。
Vision Transformer はどのように画像を分類しますか?
ビジョン トランスフォーマーの仕組みを詳しく説明する前に、オリジナルのトランスフォーマーにおける注意とマルチヘッド アテンションの基本を理解する必要があります。
Transformer は、CNN でも LSTM でもないセルフアテンションと呼ばれる仕組みを利用したモデルであり、これらの手法を大幅に上回る Transformer モデルを構築します。
Transformer モデルのアテンション メカニズムでは、Q (クエリ)、K (キー)、V (値) の 3 つの変数を使用します。簡単に言うと、クエリ トークンとキー トークンの注意の重みを計算し、各キーに関連付けられた値を乗算します。つまり、Transformer モデルは、Query トークンと Key トークンの間の関連付け (注目の重み) を計算し、各 Key に関連付けられた Value を乗算します。
単一のヘッドとして計算される Q、K、V を定義します。マルチヘッド アテンション メカニズムでは、各ヘッドは独自の射影行列 W_i^Q、W_i^K、W_i を持ちます。 ^V、これらの行列によって投影された特徴値を使用して、それぞれ注意の重みを計算します。
マルチヘッド アテンション メカニズムにより、毎回異なる方法でシーケンスの異なる部分に焦点を当てることができます。これは、次のことを意味します。
各ヘッドが入力の異なる部分に焦点を当てるため、モデルは位置情報をより適切にキャプチャできます。それらを組み合わせることで、より強力な表現が可能になります。
各ヘッダーは、一意に関連付けられた単語を通じてさまざまなコンテキスト情報も取得します。
Transformer モデルの動作メカニズムがわかったところで、Vision Transformer モデルを振り返ってみましょう。
Vision Transformer は、Transformer を画像分類タスクに適用するモデルで、2020 年 10 月に提案されました。モデル アーキテクチャはオリジナルの Transformer とほぼ同じであり、自然言語処理と同じように画像を入力として扱うことができます。
Vision Transformer モデルは、Transformer Encoder をベース モデルとして使用して画像から特徴を抽出し、これらの処理された特徴を分類のために多層パーセプトロン (MLP) ヘッド モデルに渡します。基本モデル Transformer の計算負荷は既に非常に大きいため、Vision Transformer はそのような問題を解決する軽量の「ウィンドウ」アテンション メカニズムとして画像を正方形のブロックに分解します。
画像は正方形のパッチに変換され、平坦化されて単一のフィードフォワード層を介して送信され、線形パッチ投影が取得されます。学習可能なクラスの埋め込みを他のパッチ投影と連結することで、ビットの分類を支援します。
要約すると、これらのパッチ投影と位置埋め込みは、Transformer エンコーダーを迅速に通過するより大きな行列を形成します。 Transformer エンコーダーの出力は、画像分類のために多層パーセプトロンに送信されます。入力特徴は画像の本質を非常によく捉えているため、MLP ヘッドの分類タスクがはるかに簡単になります。
ViT、ResNet、MobileNet のパフォーマンス ベンチマーク比較
ViT は高品質の画像特徴の学習において優れた可能性を示しますが、それはさらに悪いですパフォーマンスと精度の向上という点で。精度のわずかな向上は、ViT のランタイムの劣りを正当化するものではありません。
Vision Transformer モデル関連
- 微調整コードと事前トレーニングされた Vision Transformer モデルは、Google Research の GitHub で入手できます。 。
- Vision Transformer モデルは、ImageNet および ImageNet-21k データセットで事前トレーニングされています。
- ビジョン トランスフォーマー (ViT) モデルは、ICLR 2021 で発表された「An Image is Worth 16*16 Words: Transformers for Image Recognition at Scale」というタイトルの会議研究論文で紹介されました。
以上がビジョントランスフォーマー(VIT)モデルの動作原理と特性の詳細な分析の詳細内容です。詳細については、PHP 中国語 Web サイトの他の関連記事を参照してください。

ホットAIツール

Undresser.AI Undress
リアルなヌード写真を作成する AI 搭載アプリ

AI Clothes Remover
写真から衣服を削除するオンライン AI ツール。

Undress AI Tool
脱衣画像を無料で

Clothoff.io
AI衣類リムーバー

AI Hentai Generator
AIヘンタイを無料で生成します。

人気の記事

ホットツール

メモ帳++7.3.1
使いやすく無料のコードエディター

SublimeText3 中国語版
中国語版、とても使いやすい

ゼンドスタジオ 13.0.1
強力な PHP 統合開発環境

ドリームウィーバー CS6
ビジュアル Web 開発ツール

SublimeText3 Mac版
神レベルのコード編集ソフト(SublimeText3)

ホットトピック

このサイトは6月27日、JianyingはByteDanceの子会社であるFaceMeng Technologyによって開発されたビデオ編集ソフトウェアであり、Douyinプラットフォームに依存しており、基本的にプラットフォームのユーザー向けに短いビデオコンテンツを作成すると報告しました。 Windows、MacOS、その他のオペレーティング システム。 Jianyingは会員システムのアップグレードを正式に発表し、インテリジェント翻訳、インテリジェントハイライト、インテリジェントパッケージング、デジタルヒューマン合成などのさまざまなAIブラックテクノロジーを含む新しいSVIPを開始しました。価格的には、クリッピングSVIPの月額料金は79元、年会費は599元(当サイト注:月額49.9元に相当)、継続月額サブスクリプションは月額59元、継続年間サブスクリプションは、年間499元(月額41.6元に相当)です。さらに、カット担当者は、ユーザーエクスペリエンスを向上させるために、オリジナルのVIPに登録している人は、

検索強化生成およびセマンティック メモリを AI コーディング アシスタントに組み込むことで、開発者の生産性、効率、精度を向上させます。 JanakiramMSV 著者の EnhancingAICodingAssistantswithContextUsingRAGandSEM-RAG から翻訳。基本的な AI プログラミング アシスタントは当然役に立ちますが、ソフトウェア言語とソフトウェア作成の最も一般的なパターンに関する一般的な理解に依存しているため、最も適切で正しいコードの提案を提供できないことがよくあります。これらのコーディング アシスタントによって生成されたコードは、彼らが解決する責任を負っている問題の解決には適していますが、多くの場合、個々のチームのコーディング標準、規約、スタイルには準拠していません。これにより、コードがアプリケーションに受け入れられるように修正または調整する必要がある提案が得られることがよくあります。

AIGC について詳しくは、51CTOAI.x コミュニティ https://www.51cto.com/aigc/Translator|Jingyan Reviewer|Chonglou を参照してください。これらの質問は、インターネット上のどこでも見られる従来の質問バンクとは異なります。既成概念にとらわれずに考える必要があります。大規模言語モデル (LLM) は、データ サイエンス、生成人工知能 (GenAI)、および人工知能の分野でますます重要になっています。これらの複雑なアルゴリズムは人間のスキルを向上させ、多くの業界で効率とイノベーションを推進し、企業が競争力を維持するための鍵となります。 LLM は、自然言語処理、テキスト生成、音声認識、推奨システムなどの分野で幅広い用途に使用できます。 LLM は大量のデータから学習することでテキストを生成できます。

大規模言語モデル (LLM) は巨大なテキスト データベースでトレーニングされ、そこで大量の現実世界の知識を取得します。この知識はパラメータに組み込まれており、必要なときに使用できます。これらのモデルの知識は、トレーニングの終了時に「具体化」されます。事前トレーニングの終了時に、モデルは実際に学習を停止します。モデルを調整または微調整して、この知識を活用し、ユーザーの質問により自然に応答する方法を学びます。ただし、モデルの知識だけでは不十分な場合があり、モデルは RAG を通じて外部コンテンツにアクセスできますが、微調整を通じてモデルを新しいドメインに適応させることが有益であると考えられます。この微調整は、ヒューマン アノテーターまたは他の LLM 作成物からの入力を使用して実行され、モデルは追加の実世界の知識に遭遇し、それを統合します。

編集者 |ScienceAI 質問応答 (QA) データセットは、自然言語処理 (NLP) 研究を促進する上で重要な役割を果たします。高品質の QA データ セットは、モデルの微調整に使用できるだけでなく、大規模言語モデル (LLM) の機能、特に科学的知識を理解し推論する能力を効果的に評価することもできます。現在、医学、化学、生物学、その他の分野をカバーする多くの科学 QA データ セットがありますが、これらのデータ セットにはまだいくつかの欠点があります。まず、データ形式は比較的単純で、そのほとんどが多肢選択式の質問であり、評価は簡単ですが、モデルの回答選択範囲が制限され、科学的な質問に回答するモデルの能力を完全にテストすることはできません。対照的に、自由回答型の Q&A

機械学習は人工知能の重要な分野であり、明示的にプログラムしなくてもコンピューターにデータから学習して能力を向上させる機能を提供します。機械学習は、画像認識や自然言語処理から、レコメンデーションシステムや不正行為検出に至るまで、さまざまな分野で幅広く応用されており、私たちの生活様式を変えつつあります。機械学習の分野にはさまざまな手法や理論があり、その中で最も影響力のある 5 つの手法は「機械学習の 5 つの流派」と呼ばれています。 5 つの主要な学派は、象徴学派、コネクショニスト学派、進化学派、ベイジアン学派、およびアナロジー学派です。 1. 象徴主義は、象徴主義とも呼ばれ、論理的推論と知識の表現のためのシンボルの使用を強調します。この学派は、学習は既存の既存の要素を介した逆演繹のプロセスであると信じています。

編集者 | KX 医薬品の研究開発の分野では、タンパク質とリガンドの結合親和性を正確かつ効果的に予測することが、医薬品のスクリーニングと最適化にとって重要です。しかし、現在の研究では、タンパク質とリガンドの相互作用における分子表面情報の重要な役割が考慮されていません。これに基づいて、アモイ大学の研究者らは、初めてタンパク質の表面、3D 構造、配列に関する情報を組み合わせ、クロスアテンション メカニズムを使用して異なるモダリティの特徴を比較する、新しいマルチモーダル特徴抽出 (MFE) フレームワークを提案しました。アライメント。実験結果は、この方法がタンパク質-リガンド結合親和性の予測において最先端の性能を達成することを実証しています。さらに、アブレーション研究は、この枠組み内でのタンパク質表面情報と多峰性特徴の位置合わせの有効性と必要性を実証しています。 「S」で始まる関連研究

7月5日のこのウェブサイトのニュースによると、グローバルファウンドリーズは今年7月1日にプレスリリースを発行し、自動車とインターネットでの市場シェア拡大を目指してタゴール・テクノロジーのパワー窒化ガリウム(GaN)技術と知的財産ポートフォリオを買収したことを発表した。モノと人工知能データセンターのアプリケーション分野で、より高い効率とより優れたパフォーマンスを探求します。生成 AI などのテクノロジーがデジタル世界で発展を続ける中、窒化ガリウム (GaN) は、特にデータセンターにおいて、持続可能で効率的な電力管理のための重要なソリューションとなっています。このウェブサイトは、この買収中にタゴール・テクノロジーのエンジニアリングチームがGLOBALFOUNDRIESに加わり、窒化ガリウム技術をさらに開発するという公式発表を引用した。 G
