Yila
Architecture du transformateur de vision (ViT) (EN)

IA et informatique

Architecture du transformateur de vision (ViT)

Composition:
des patchs d'images transformés en une séquence de jetons
Format:
16:9

Prompt

Créez un schéma d'architecture d'[un Transformateur de Vision], lisez de gauche à droite : 1. 【Une image d'entrée (une petite icône de photo de paysage) découpée par de fines lignes dans une grille de carrés.】 2. 【Les patchs sont disposés sur une rangée de petits carrés.】 3. 【Chaque carré passe par une boîte de projection linéaire partagée et devient une barre de jetons colorée ; une barre de jetons grise supplémentaire se trouve à l’avant de la rangée et de petites marques de position sont ajoutées à chaque barre.】 4. 【La rangée de jetons entre dans un bloc haut pour l'encodeur du transformateur, dessiné avec une légère ombre de copies empilées derrière lui ; les copies n’ont pas d’étiquettes.】 5. 【Seul le jeton avant gris continue vers une petite boîte de tête MLP, qui pointe vers une boîte de sortie pour la classe.】 Écrivez chaque étiquette une seule fois dans toute la figure. Si un composant apparaît à plusieurs endroits ou panneaux, écrivez son étiquette uniquement lors de sa première apparition ; une copie sur deux ne contient pas de texte. Aucune étiquette ne peut apparaître deux fois nulle part sur la figure. Épelez chaque étiquette exactement comme indiqué et n’ajoutez aucun titre. Libellés (utilisez chacun une seule fois, sans ajouter d’autre texte) : 【Input image, Patches, Linear projection, Class token, Position embedding, Transformer encoder, MLP head, Class】. Style : diagramme schématique de style journal. Nettoyer les graphiques vectoriels plats sur fond blanc. Les modules sont des rectangles arrondis ou de simples icônes avec leurs noms courts à l'intérieur ; les panneaux pastel clair regroupent les calques associés. Seulement 3-4 couleurs atténuées, chacune avec une signification fixe. Des flèches fines et uniformes montrent le flux de données, d'énergie, de matière ou d'influence ; flèches en pointillés pour les liens indirects ou de rétroaction. Étiquettes anglaises sans empattement uniquement, chaque étiquette apparaît exactement une fois, orthographiée exactement comme indiqué. Pas de rendu 3D, pas d'ombres, pas de lueur, pas de décoration cyberpunk ou tech, pas de photoréalisme.

Ouvre Yila avec ce prompt et l’exemple comme image de référence.

Les exemples ont été générés avec Nano Banana. Le prompt fonctionne aussi avec GPT Image et d’autres modèles d’image ; les résultats varient selon le modèle.

Voir tous les prompts