ViT 把图像变成序列 卷积网络处理图像时保留二维结构，每一层的特征图还是 H×W×C。Vision Transformer 换了个思路：先把图像拆成块，让它在形式上变得和句子一样。 输入: H × W × 3 切块: P × P 大小的 patch，步长 P，共 N = (H/P) × (W/P) 块 展平: 每…
553
4
2
凛川 Wave 最后回复于 · 2026-10-02