🎒 Ficha de estudio — P46 · Una imagen vale 16x16 palabras: Transformers para reconocimiento de imágenes a escala
Generado por
python scripts/generate_papers.py. Tu bitácora personal va enBITACORA.md.
Paper: An Image is Worth 16x16 Words: Transformers for Image Recognition at Scale (2020)
Nivel: L3 · Notebook: P46_vit.ipynb
Trata la imagen como una secuencia de parches y aplica un Transformer puro: la convolución deja de ser imprescindible en visión.
- Lee la pasada 1 de la ficha: título, resumen, figuras. 10 minutos, sin fórmulas.
- Responde por escrito: ¿qué problema resolvía? Compáralo con: «La convolución traía de fábrica localidad y equivarianza a la traslación, y se asumía que sin esos sesgos inductivos la visión no funcionaría.»
- Abre el notebook y escribe tu predicción (sección 7) antes de ejecutar nada.
- Ejecuta y contrasta. Si acertaste, explica por qué; si fallaste, explica qué supusiste mal.
- Haz el anti-patrón (sección 11) y su corrección. Es la parte que más se evalúa.
- Escribe una limitación de la miniatura y una del paper. No las copies de la ficha.
- Sé qué se hacía antes de este paper y por qué no bastaba.
- Puedo dibujar el mecanismo sin mirar.
- Ejecuté la miniatura e interpreté su salida sin repetir el texto de la ficha.
- Sé nombrar una cosa que el paper no demostró.
- Sé qué idea de las que suelen atribuírsele llegó en realidad después.
- Puedo conectar este hito con el siguiente en una frase.
ViTparchessesgo inductivopreentrenamiento a escalavisión