使用 Hugging Face Transformers 微调 ViT 进行图像分类

教程演示利用 Hugging Face datasets 和 transformers 库微调 Vision Transformer (ViT) 处理图像分类。使用 google/vit-base-patch16-224-in21k 模型及其配套的 ViTImageProcessor，通过加载 beans 数据集并应用标准化预处理，将图像转换为模型可接受的张量输入以完成微调流程。