Розмір відео: 1280 X 720853 X 480640 X 360
Показувати елементи керування програвачем
Автоматичне відтворення
Автоповтор
这个哥们讲的内容很喜欢！👍
讲得太好了，清晰明了，幽默风趣，全程无尿点！
讲得太棒了！非常感谢！！
謝謝老師講解 非常清楚 很受用
感谢老师！B站看完了来这里再来点赞
所以長話短說先用CNN(或其他方法）得到足夠小的feature map，再用transformer跑
Zhu老师讲的很棒，感谢
请问老师叫什么名字？
感謝大神細心講解
感谢老师精彩的讲解和清楚的分析！
cnn和transformer基本上是同一件事情，只不过cnn更先进在特征就是tags，trasformer先进在不用一个单位一个单位滑动，但是实际上特征层和tags是一件事情的话特征层比tags的attention内积更高效，这类似于用所有basis和前几个特征函数近似，trasformer低效在要标注和attention本身，高效在不需要一个单位一个单位摞
这个人的水平至少是国内优青水平～！
謝謝 講解得非常清楚
谢谢作者分享！
谢谢讲解！
讲得太仔细了，非常感谢！！
来龙去脉，前因后果， 讲的太好了
讲的很清透！点赞
讲的真的好
讲得非常好👍学习了
Great presentation!
What is the name of the speaker?
怎么找不到 老师的 VITS 解读了呢？
老師整容了？
这是另外一个人！
讲的太好了
视频中PPT+前置摄像头是通过什么工具实现的呢？
真棒！
感谢感谢！！！
為什麼是224/16=14然後input = 14*14為何不是input = 16*16input 是一個一個patch 的意思嗎?
我的理解和你一样。一张图类比一句话。所以一个patch类比于一个词。如果word embedding 是512， 那ViT里对应的就是16x16。
你理解的是对的，所以文章标题是 An Image is Worth 16x16 words🤣
@@huachengli1786 哈哈我還沒有發現
44:15处，应该是√d而不是d/2
论文里面是 d/2。而且我个人认为也是用d/2比较合适。 横向和纵向都是用 d/2 长度的向量表示，然后把这两个向量拼起来，得到长度为d的向量。
Transformer base 的head 数目好像是8吧
消融实验结果差不多是因为加是完全不对的，加所带来的特征在动力系统里面全都平均掉了
位置信息如何加进去是个编码问题，要尽可能的保证信息无损的同时占用空间小，f（attention（x），position）应该比直接把位置信息加在x里面好
这位帅哥是谁？
嘿嘿 来了
哈哈
沐神呢
44分30秒不应该是根号D嘛
你是说 44分07 秒 吗？视频里面提的 “纵坐标是 d/2”，是没错的。
请问你是指哪个地方应该是 根号D呢？
大神
-------------------------------Pretty good, done.-------------------------------
ViT-FRCNN and SETR
Transformer论文逐段精读: ua-cam.com/video/nzqlFIcCSWQ/v-deo.html
这个哥们讲的内容很喜欢！👍
讲得太好了，清晰明了，幽默风趣，全程无尿点！
讲得太棒了！非常感谢！！
謝謝老師講解 非常清楚 很受用
感谢老师！B站看完了来这里再来点赞
所以長話短說
先用CNN(或其他方法）得到足夠小的feature map，再用transformer跑
Zhu老师讲的很棒，感谢
请问老师叫什么名字？
感謝大神細心講解
感谢老师精彩的讲解和清楚的分析！
cnn和transformer基本上是同一件事情，只不过cnn更先进在特征就是tags，trasformer先进在不用一个单位一个单位滑动，但是实际上特征层和tags是一件事情的话特征层比tags的attention内积更高效，这类似于用所有basis和前几个特征函数近似，trasformer低效在要标注和attention本身，高效在不需要一个单位一个单位摞
这个人的水平至少是国内优青水平～！
謝謝 講解得非常清楚
谢谢作者分享！
谢谢讲解！
讲得太仔细了，非常感谢！！
来龙去脉，前因后果， 讲的太好了
讲的很清透！点赞
讲的真的好
讲得非常好👍学习了
Great presentation!
What is the name of the speaker?
怎么找不到 老师的 VITS 解读了呢？
老師整容了？
这是另外一个人！
请问老师叫什么名字？
讲的太好了
视频中PPT+前置摄像头是通过什么工具实现的呢？
真棒！
感谢感谢！！！
為什麼是224/16=14
然後input = 14*14
為何不是input = 16*16
input 是一個一個patch 的意思嗎?
我的理解和你一样。一张图类比一句话。所以一个patch类比于一个词。如果word embedding 是512， 那ViT里对应的就是16x16。
你理解的是对的，所以文章标题是 An Image is Worth 16x16 words🤣
@@huachengli1786 哈哈我還沒有發現
44:15处，应该是√d而不是d/2
论文里面是 d/2。
而且我个人认为也是用d/2比较合适。
横向和纵向都是用 d/2 长度的向量表示，然后把这两个向量拼起来，得到长度为d的向量。
Transformer base 的head 数目好像是8吧
消融实验结果差不多是因为加是完全不对的，加所带来的特征在动力系统里面全都平均掉了
位置信息如何加进去是个编码问题，要尽可能的保证信息无损的同时占用空间小，f（attention（x），position）应该比直接把位置信息加在x里面好
这位帅哥是谁？
嘿嘿 来了
哈哈
沐神呢
44分30秒不应该是根号D嘛
你是说 44分07 秒 吗？视频里面提的 “纵坐标是 d/2”，是没错的。
请问你是指哪个地方应该是 根号D呢？
大神
-------------------------------
Pretty good, done.
-------------------------------
ViT-FRCNN and SETR
Transformer论文逐段精读: ua-cam.com/video/nzqlFIcCSWQ/v-deo.html