html代码转换器（word转换html代码）

谷歌大型人工智能模型VisionTransformer在ImageNet基准测试中创造了新记录。研究人员表示，未来将出现更大的转换器模型，并且有朝一日可能会产生一个图像分析系统，只需几个例子，就可以专门用于各种任务。 2020年秋季，谷歌的研究证明，原则上使用转换器模型（TransformerModels）对图像进行AI分析是可行的：在AI训练期间，视觉转换器（VisionTransformer，ViT）能处理多个部分的图像，并预测图像缺失的部分。以此，谷歌发展了AI系统对图像内容的理解。 以前在自然语言处理中使用转换器的经验表明，转换器系统通常使用更多的数据和更大的模型效果更好。在一个新的研究项目中，谷歌的研究人员证明这种关系也适用于VisionTransformer。 来自苏黎世的谷歌Brain团队训练了几个VIT模型来收集性能数据、所需的计算性能和培训课程。最大的ViT-G/14模型基于近20亿个参数，用30亿张图像进行了训练，在使用ImageNet数据集进行额外训练后，在基准测试中达到了90.45%的最佳值，比ViT-MoE-15B领先了近0.1个百分点。 研究结果还表明，预训练的AI模型使用较少的例子即可学习新的或扩展的能力。研究人员使用30亿张图像重新训练了一个ViT-G/14，每个ImageNet类别有10个样本图像，这相当于通常用于AI训练的ImageNet数据的1%还不到。虽然示例很少，但ViT-G/14达到了84.86%的准确率。 研究人员在项目的研究论文中写道，这样的结果表明，如果有额外的计算能力，更大的AI模型是值得的。 #人工智能##AI图像分析##图像AI#谷歌人工智能模型在图像分析上创造新的最佳值|反讽机器