PiT

类别： ViT · 代码： timm/models/pit.py · 架构： 8 · 预训练权重： 8（8 个具有 ImageNet-1k 结果）

基于池化的视觉 Transformer（PiT）在阶段之间使用深度卷积池化层来减小 token 的空间尺寸并增加通道数，这与 CNN 的做法相同。

论文

• 重新思考视觉 Transformer 的空间维度

用法

请参阅快速入门了解如何加载预训练权重、进行图像预处理和微调，以及查阅特征提取了解如何将模型用作骨干网络。

>>> import timm
>>> model = timm.create_model('pit_s_distilled_224.in1k', pretrained=True)
>>> data_config = timm.data.resolve_model_data_config(model)

模型 API 支持

✓ 支持，✓ (square) 仅支持方形尺寸，✗ 不支持，– 无需支持（该模型本身已接受任意输入尺寸）。通过在每个功能上运行随机初始化的模型（PoolingVisionTransformer 使用 pit_ti_224，尺寸为 224）进行验证，预期同一类的其他架构表现相同。有关详细信息，请参阅 Model API 页面。

架构

GMACs 和参数量对应于每种架构的默认输入大小和分类器，数据来自基准测试结果。

预训练权重

Top-1 是 results-imagenet.csv 中在所列评估规模下的 ImageNet-1k 验证准确率，- 表示该权重没有 ImageNet-1k 结果（例如预训练权重或图文权重）。Classes 是预训练分类器的大小，对于没有分类器的权重则为 none。