标签: Vision Transformer

所有带有"Vision Transformer"标签的文章。

• Vision Transformer（ViT）：当 Transformer 开始「看」图片

  发布于: 31 8, 2026

  整理自 B 站《15分钟认识ViT》等视频与知乎资料：从「图片能不能变成 Token」出发，串讲 Patch、Patch Embedding、CLS、位置编码与 Transformer Encoder 的完整流程，对比 CNN 的归纳偏置，并给出 DeiT、Swin 等改进路线。