核心概念
视觉Transformer
把图像切成patch并映射成向量序列，再用自注意力交换图块信息的模型家族。
ViT 视觉变换器 image transformer
简明解释
视觉Transformer：把图像切成patch并映射成向量序列，再用自注意力交换图块信息的模型家族。ViT是架构选择，不保证小数据、低延迟或任意领域都胜过CNN。 [1]
适用边界
使用结果前应按本词条的对象声明输入、输出和评测条件；相关计算与失败模式见第16章。
本页参考来源
- Dosovitskiy A et al.. An Image Is Worth 16x16 Words [C]. ICLR, 2021. 定位：§3, model architecture; §4, experiments. 稳定来源（访问 ）。