1、和其他网络的比较 

CNN归纳偏置（inductive bias，目标函数的必要假设)

        1、平移不变性：平移旋转缩放等变化，CNN依旧能够识别

        2、空间局部性：局部像素联系密切，因此每个神经元无需有全局感知，在更高层将局部信息综合起来

 自注意力机制适合处理长文本，并行度好，在GPU上，CNN和Self-attention性能差不多，在TPU（Tensor Processing Uni）效果更好。

基于Transformer的ViT没有归纳偏置，需要大量数据做预训练，如在14M-300M的图片数据集上学习到能力超过CNN的归纳偏置。获得预训练之后再做迁移学习到小数据集

总结：

• 自注意力池化层将当做key,value,query来对序列抽取特征。
• 完全并行，最长序列为1，但对长序列计算复杂度高
• 位置编码在输入中加入位置信息，使得自注意力能够学习位置信息。

2、输入特点

原生的Transformer中nn.embeding输入需要非负整数，且范围在[0,100]之间（试出来的，未必准确），这是对不同长度的单词维度进行扩展，但是对于图像或者其他类别而言未必是最后一个维度大小不一致，可以参考ViT将nn.embeding换成nn.Linear,还需要修改mask.

3、网络介绍

ViT

DETR基本思想：

        1、先用CNN得到各个Patch作为输入，在套用transformer做编码和解码

        2、编码和VIT一样，重点在解码，直接预测100个坐标框。

整体网络架构：

        object quries是核心：让它学会怎么从原始特征找到物体的位置。

        Encoder完成的任务：得到各个目标注意力结果，准备好特征。

Trac