十点三十睡觉

摘要： 首先将图片分为16*16的小格 如果直接将图片作为transformer的输入，会有一个问题，序列长度太大，vit将很多图片打成了16*16的patch ，将一个patch作为一个元素 图片224*224 vit 的全局图 vit = position embedding + class embed 阅读全文