transformer-in-transformer
Implementación de Transformer en Transformer, atención a nivel de píxel combinada con atención a nivel de parche para clasificación de imágenes, en Pytorch
Clasifica imágenes utilizando un modelo que se centra tanto en píxeles individuales como en secciones más grandes de la imagen.
Reivindica su pagina: indexada sea cual sea su posicion, traducida a seis idiomas y enriquecida con tus propias palabras.
Recibe una alerta por correo en su próximo lanzamiento o cuando despegue — no te pierdas nada.
Gratis · sin tarjeta · cancela cuando quierasImplementación de Transformer en Transformer, atención a nivel de píxel combinada con atención a nivel de parche para clasificación de imágenes, en Pytorch
transformer-in-transformer tiene 306 estrellas en GitHub. Se ha bifurcado 41 veces. transformer-in-transformer está escrito principalmente en Python. Se desarrolla activamente desde 2021. transformer-in-transformer está disponible bajo la licencia MIT. Sus temas principales son: artificial-intelligence, deep-learning, image-classification, transformers.
¿Qué es transformer-in-transformer?
Implementación de Transformer en Transformer, atención a nivel de píxel combinada con atención a nivel de parche para clasificación de imágenes, en Pytorch
¿transformer-in-transformer es de código abierto?
transformer-in-transformer es un proyecto de código abierto. Se distribuye bajo la licencia MIT.
¿transformer-in-transformer es gratis?
Sí. transformer-in-transformer es gratuito y de código abierto: puedes usarlo, modificarlo y alojarlo tú mismo.
¿Bajo qué licencia está transformer-in-transformer?
transformer-in-transformer está disponible bajo la licencia MIT.
¿En qué lenguaje está escrito transformer-in-transformer?
transformer-in-transformer está escrito principalmente en Python.
Agrega este distintivo en vivo a tu README — tus estrellas de GitHub y rango en el directorio, actualizados diariamente.
[](https://olud.ai/project/lucidrains-transformer-in-transformer.html)
Medido a partir de los topics de GitHub comunes a ambos proyectos, ponderados por su rareza.