VIT (Vision Transformer) 模型论文+代码(源码)从零详细解读，看不懂来打我_哔哩哔哩_bilibili
 

VIT模型架构图 

1.图片切分为patch

2. patch转化为embedding

1）将patch展平为一维长度

2）token embedding：将拉平之后的序列映射到规定的向量长度（transformer encoder 的embedding size）

实现方法有两种，一种是线性（此处展示为线性），一种是卷积操作

3.位置embedding和token embedding相加

1）生成CLS 符号的token embedding（图中粉色表示）

2）生成所有序列的位置编码。针对patch生成patch embedding，对应CLS是初始化了CLS的token embedding，位置编码（图中紫色表示）生成所有序列的位置编码

3）粉色和紫色相加，token embedding和位置embedding相加

 位置信息

4.输入到TRM模型

原始TRM中，Norm放在了多头自注意力机制（Muti-Head Attention）后面，Norm放在了前馈神经网络（Feed Forward）后面；在VIT中，Norm放在了多头自注意力机制（Muti-Head Attention）前面，Norm放在了前馈神经网络（Feed Forward）前面

VIT没有pad符号，不做边缘补0

5. CLS输出做多分类任务

复习

图片切分为patch

每个pacth拉平为768，映射为encode 中的embedding size，768

生成CLS初始化token embedding

拉平映射的token embedding和位置embedding相加得到Input embedding

输入到encoder中，*N对应多少层

最终每个token都会得到768输出，将每个输出进行多分类任务。