
KI und Informatik
Vision Transformer (ViT)-Architektur
- Aufbau:
- Bild-Patches wurden in eine Token-Sequenz umgewandelt
- Seitenverhältnis:
- 16:9
Prompt
Erstellen Sie ein Architekturdiagramm eines „Vision Transformers“, lesen Sie es von links nach rechts:
1. 【Ein Eingabebild (ein kleines Landschaftsfotosymbol), das durch dünne Linien in ein Raster aus quadratischen Feldern geschnitten wird.】
2. 【Die Flicken in einer Reihe kleiner Quadrate anordnen.】
3. 【Jedes Quadrat durchläuft eine gemeinsame lineare Projektionsbox und wird zu einem farbigen Token-Balken; Ein zusätzlicher grauer Token-Balken befindet sich am Anfang der Reihe und an jedem Balken sind kleine Positionsmarkierungen angebracht.】
4. 【Die Token-Reihe betritt einen hohen Block für den Transformer-Encoder, gezeichnet mit einem schwachen Schatten gestapelter Kopien dahinter; Die Kopien haben keine Etiketten.】
5. 【Nur das graue vordere Token führt zu einem kleinen MLP-Kopffeld, das auf ein Ausgabefeld für die Klasse verweist.】
Schreiben Sie jede Beschriftung nur einmal in der gesamten Abbildung.
Wenn eine Komponente an mehr als einer Stelle oder in mehr als einer Tafel erscheint, schreiben Sie ihre Beschriftung nur beim ersten Erscheinen; jede zweite Kopie enthält keinen Text. An keiner Stelle in der Abbildung darf eine Beschriftung doppelt vorkommen. Buchstabieren Sie jede Beschriftung genau wie angegeben und fügen Sie keine Titel hinzu.
Beschriftungen (jede genau einmal verwenden, keinen weiteren Text hinzufügen): 【Input image, Patches, Linear projection, Class token, Position embedding, Transformer encoder, MLP head, Class】.
Stil: schematisches Diagramm im Journal-Stil. Saubere, flache Vektorgrafiken auf weißem Hintergrund. Module sind abgerundete Rechtecke oder einfache Symbole mit ihren Kurznamen darin; Helle Pastelltafeln gruppieren verwandte Ebenen. Nur 3-4 gedämpfte Farben mit jeweils einer festen Bedeutung. Dünne, gleichmäßige Pfeile zeigen den Fluss von Daten, Energie, Material oder Einfluss; gestrichelte Pfeile für indirekte oder Feedback-Links. Nur serifenlose englische Etiketten, jedes Etikett kommt genau einmal vor und wird genau wie angegeben geschrieben. Kein 3D-Rendering, keine Schatten, kein Leuchten, keine Cyberpunk- oder Tech-Hintergrunddekoration, kein Fotorealismus.
Öffnet Yila mit diesem Prompt und dem Beispiel als Referenzbild.
Die Beispiele wurden mit Nano Banana erstellt. Der Prompt funktioniert auch mit GPT Image und anderen Bildmodellen; die Ergebnisse unterscheiden sich je nach Modell.






