Yila
ビジョントランスフォーマー (ViT) アーキテクチャ (EN)

AI・コンピューティング

ビジョントランスフォーマー (ViT) アーキテクチャ

構成:
トークンシーケンスに変換されたイメージパッチ
アスペクト比:
16:9

プロンプト

【a Vision Transformer】のアーキテクチャ図を左から右に読んで作成します。 1. 【入力画像(小さな風景写真アイコン)を細い線で正方形のパッチの格子状に切り取ったもの】 2. 【小さな正方形を一列に並べたパッチ】 3. 【各正方形は 1 つの共有線形射影ボックスを通過し、色付きのトークン バーになります。追加の灰色のトークン バーが行の先頭に 1 つあり、小さな位置マークがすべてのバーに追加されます。】 4. 【トークン行は、Transformer エンコーダー用の 1 つの高いブロックに入り、その後ろに積み重ねられたコピーのかすかな影が描かれています。コピーにはラベルがありません。】 5. 【灰色の前面トークンのみが、クラスの 1 つの出力ボックスを指す小さな MLP ヘッド ボックスに続いています。】 各ラベルは図全体で 1 回だけ記述します。 コンポーネントが複数の場所またはパネルに表示される場合は、そのラベルは最初に表示されるときにのみ記述します。他のコピーにはテキストがありません。図のどこにでもラベルを 2 回表示することはできません。すべてのラベルを指定どおりに正確に綴り、タイトルは追加しません。 ラベル(それぞれ一度だけ使用し、他の文字は追加しない): 【Input image, Patches, Linear projection, Class token, Position embedding, Transformer encoder, MLP head, Class】. スタイル: ジャーナル形式の概略図。白い背景にきれいなフラット ベクトル グラフィックス。モジュールは、内側に短い名前が入った角丸長方形または単純なアイコンです。ライト パステル パネルは、関連するレイヤーをグループ化します。落ち着いた色は 3 ~ 4 色だけで、それぞれに 1 つの固定された意味があります。細く均一な矢印は、データ、エネルギー、物質、または影響の流れを示します。間接リンクまたはフィードバック リンクの破線の矢印。サンセリフ英語ラベルのみ。各ラベルは 1 回だけ表示され、指定されたとおりに綴られます。 3D レンダリング、影、輝き、サイバーパンクやテクノロジー背景の装飾、フォトリアリズムはありません。

このプロンプトと作例を参考画像として Yila で開きます。

作例は Nano Banana で生成しました。GPT Image などほかの画像モデルでも使えますが、結果はモデルによって異なります。

すべてのプロンプトを見る