AI說書 - 從0開始 - 493 | Vision Transformer 程式實作

我想要一天分享一點「LLM從底層堆疊的技術」，並且每篇文章長度控制在三分鐘以內，讓大家不會壓力太大，但是又能夠每天成長一點。

model = ViTForImageClassification.from_pretrained('google/vit-base-patch16-224')
inputs = feature_extractor(images = image, return_tensors = "pt")
outputs = model(**inputs) 
logits = outputs.logits

輸出的原始 Logits 將由控制此圖像分類流程的管道進行處理，可以先應用 Softmax 函數，或者先進行溫度調整，再使用 Softmax，然後依序套用 top_k 和 top_p，此管道會將原始輸出轉換為預測，並產生選擇的機率標籤：

predicted_class_idx = logits.argmax(-1).item()
print("Predicted class:", predicted_class_idx,": ", model.config.id2label[predicted_class_idx])

結果為：