
AI และคอมพิวเตอร์
สถาปัตยกรรม Vision Transformer (ViT)
- องค์ประกอบ:
- แพตช์รูปภาพกลายเป็นลำดับโทเค็น
- อัตราส่วนภาพ:
- 16:9
พรอมต์
สร้างแผนภาพสถาปัตยกรรมของ 【a Vision Transformer 】 อ่านจากซ้ายไปขวา:
1. 【รูปภาพอินพุต (ไอคอนรูปภาพแนวนอนขนาดเล็ก) ที่ตัดด้วยเส้นบางๆ ให้เป็นตารางสี่เหลี่ยมจัตุรัส】
2. 【แผ่นแปะที่วางอยู่ในสี่เหลี่ยมเล็กๆ หนึ่งแถว】
3. 【แต่ละช่องจะผ่านกล่องฉายภาพเชิงเส้นที่ใช้ร่วมกันหนึ่งช่องและกลายเป็นแถบโทเค็นสี แถบโทเค็นสีเทาพิเศษหนึ่งแถบอยู่ที่ด้านหน้าของแถว และมีการเพิ่มเครื่องหมายตำแหน่งเล็กๆ ให้กับทุกๆ แถบ]
4. 【แถวโทเค็นเข้าสู่บล็อกสูงหนึ่งบล็อกสำหรับตัวเข้ารหัส Transformer ซึ่งวาดโดยมีเงาจางๆ ของสำเนาที่ซ้อนกันอยู่ด้านหลัง สำเนาไม่มีป้ายกำกับ】
5. 【มีเพียงโทเค็นด้านหน้าสีเทาเท่านั้นที่ยังคงอยู่ที่กล่องส่วนหัว MLP ขนาดเล็ก ซึ่งชี้ไปที่กล่องเอาต์พุตหนึ่งกล่องสำหรับคลาส】
เขียนแต่ละฉลากเพียงครั้งเดียวทั้งรูป
หากส่วนประกอบปรากฏในที่หรือแผงมากกว่าหนึ่งแห่ง ให้เขียนฉลากเฉพาะเมื่อปรากฏครั้งแรกเท่านั้น สำเนาอื่นๆ ทุกฉบับไม่มีข้อความ ห้ามมีป้ายกำกับปรากฏสองครั้งที่ใดก็ได้ในภาพ สะกดทุกป้ายกำกับทุกประการตามที่กำหนดและไม่ใส่ชื่อ
ป้ายกำกับ (ใช้แต่ละรายการเพียงครั้งเดียว และไม่เพิ่มข้อความอื่น): 【Input image, Patches, Linear projection, Class token, Position embedding, Transformer encoder, MLP head, Class】.
รูปแบบ: แผนผังสไตล์วารสาร ทำความสะอาดกราฟิกแบบเวกเตอร์แบบแบนบนพื้นหลังสีขาว โมดูลเป็นรูปสี่เหลี่ยมมุมมนหรือไอคอนธรรมดาที่มีชื่อย่ออยู่ข้างใน แผงสีพาสเทลอ่อนจัดกลุ่มเลเยอร์ที่เกี่ยวข้อง มีสีที่ไม่ออกเสียงเพียง 3-4 สี แต่ละสีมีความหมายตายตัวเพียงสีเดียว ลูกศรที่บางและสม่ำเสมอแสดงการไหลของข้อมูล พลังงาน วัสดุ หรืออิทธิพล ลูกศรประสำหรับลิงก์ทางอ้อมหรือข้อเสนอแนะ ป้ายภาษาอังกฤษ Sans-serif เท่านั้น แต่ละป้ายจะปรากฏเพียงครั้งเดียว สะกดทุกประการตามที่กำหนด ไม่มีการเรนเดอร์ 3 มิติ, ไม่มีเงา, ไม่มีแสงเรืองแสง, ไม่มีการตกแต่งแบบไซเบอร์พังก์หรือเทคโนโลยี, ไม่มีความสมจริงเหมือนแสง
เปิด Yila พร้อมพรอมต์นี้และใช้ภาพตัวอย่างเป็นภาพอ้างอิง
ภาพตัวอย่างสร้างด้วย Nano Banana พรอมต์นี้ใช้กับ GPT Image และโมเดลสร้างภาพอื่นได้ด้วย ผลลัพธ์อาจต่างกันตามโมเดล






