我想要一天分享一點「LLM從底層堆疊的技術」，並且每篇文章長度控制在三分鐘以內，讓大家不會壓力太大，但是又能夠每天成長一點。
我們將逐步分析每個訓練模型的配置，如果模型無法正確分類圖像，我們至少需要了解所使用的模型類型，我們可能還會發現，某些模型的架構（如層數和參數）對於進行複雜的圖像分類來說並不夠完善。
我們將逐步探討以下主題：
- 用於圖像分類的 ViT（Vision Transformer）
- 用於圖像分類的 Swin Transformer
- 用於圖像分類的 BEiT（Bidirectional Encoder Representation from Image Transformers）
- 用於圖像分類的 ConvNext
- 用於圖像分類的 ResNet
每個小節包含以下內容：
- 模型描述：這些描述由 Google AI 提供，並進行了修改以適合教學目的
- 模型配置：通過 Python 函數生成的模型配置細節
- 驗證分類：測試模型對挑戰性汽車圖像的分類能力
內容將展示這些模型的局限性，以及如何向最終用戶提供清晰透明的訊息。
