Yila
Arquitectura del transformador de visión (ViT) (EN)

IA e informática

Arquitectura del transformador de visión (ViT)

Composición:
parches de imágenes convertidos en una secuencia simbólica
Relación de aspecto:
16:9

Prompt

Cree un diagrama de arquitectura de 【un Vision Transformer】, lea de izquierda a derecha: 1. 【Una imagen de entrada (un pequeño ícono de foto de paisaje) cortada con líneas finas en una cuadrícula de parches cuadrados.】 2. 【Los parches dispuestos en una fila de pequeños cuadrados.】 3. 【Cada cuadrado pasa a través de un cuadro de proyección lineal compartido y se convierte en una barra de fichas de color; Una barra de fichas gris adicional se encuentra al frente de la fila y se agregan pequeñas marcas de posición a cada barra.】 4. 【La fila de tokens ingresa a un bloque alto para el codificador Transformer, dibujado con una tenue sombra de copias apiladas detrás de él; las copias no tienen etiquetas.】 5. 【Solo el token frontal gris continúa hasta un pequeño cuadro principal de MLP, que apunta a un cuadro de salida para la clase.】 Escribe cada etiqueta solo una vez en toda la figura. Si un componente aparece en más de un lugar o panel, escriba su etiqueta sólo en su primera aparición; todas las demás copias no tienen texto. Ninguna etiqueta podrá aparecer dos veces en cualquier parte de la figura. Deletrea cada etiqueta exactamente como se indica y no agregues títulos. Etiquetas (usa cada una una sola vez y no añadas otro texto): 【Input image, Patches, Linear projection, Class token, Position embedding, Transformer encoder, MLP head, Class】. Estilo: diagrama esquemático estilo diario. Limpie gráficos vectoriales planos sobre un fondo blanco. Los módulos son rectángulos redondeados o iconos simples con sus nombres cortos en su interior; paneles de colores pastel claros agrupan capas relacionadas. Sólo 3 o 4 colores apagados, cada uno con un significado fijo. Flechas finas y uniformes muestran el flujo de datos, energía, material o influencia; Flechas discontinuas para enlaces indirectos o de retroalimentación. Etiquetas en inglés sans-serif únicamente, cada etiqueta aparece exactamente una vez y se escribe exactamente como se indica. Sin renderizado 3D, sin sombras, sin brillo, sin decoración de fondo ciberpunk o tecnológica, sin fotorrealismo.

Abre Yila con este prompt y el ejemplo como imagen de referencia.

Los ejemplos se generaron con Nano Banana. El prompt también funciona con GPT Image y otros modelos de imagen; los resultados varían según el modelo.

Ver todos los prompts