Vision Transformer （ViT） 是一种 基于Transformer架构的深度学习模型，用于图像识别和计算机视觉任务。与传统的卷积神经网络（CNN）不同，ViT直接将图像视为一个序列化的输入，并利用自注意力机制来处理图像中的像素关系。
ViT的核心思想是将图像分割成一个个固定大小的patch块，然后将这些patch块视为序列数据，并使用Transformer进行注意力机制的计算。具体来说，ViT模型包括以下几个关键步骤：
图像分割：
将输入图像分割成多个固定大小的patch块。
序列化：
将这些patch块转换为向量表示，形成输入序列。
Transformer编码器：
通过多层的Transformer编码器对输入序列进行处理，其中包括自注意力机制和前馈神经网络层。
输出：
经过Transformer编码器处理后，模型输出最终的特征表示，可用于图像分类、目标检测、语义分割等计算机视觉任务。
ViT结合了Transformer在自然语言处理中的优势与计算机视觉中的卷积神经网络（CNN）的优势，在图像分类和其他计算机视觉任务上取得了显著的性能提升。