Modul 5 · Computer Vision dengan Deep Learning
Vision Transformer dan Model Multimodal: pelajaran
ViT, CLIP, dan model vision-language — ketika gambar dan teks berbagi satu ruang embedding.
3 pelajaran · 52 min
Apa yang diajarkan modul ini, apa yang perlu Anda kuasai lebih dulu, dan cara Anda berlatih ada di halaman silabusnya.
Buka silabusVision Transformer (ViT)
18 minPatch sebagai token, dan kapan ViT mengalahkan CNN.
Termasuk dalam jalurnya Ada simulasinyaCLIP dan Embedding Gambar-Teks
18 minKlasifikasi zero-shot dan pencarian gambar dengan kalimat.
Termasuk dalam jalurnya Ada simulasinyaModel Vision-Language
16 minLLM yang bisa membaca gambar: apa yang bisa, apa yang belum, dan cara mengujinya.
Termasuk dalam jalurnya