标签：embedding transformer VIT 16 patch vit 讲解 图片

首先将图片分为16*16的小格

如果直接将图片作为transformer的输入，会有一个问题，序列长度太大，vit将很多图片打成了16*16的patch ，将一个patch作为一个元素

图片224*224

vit 的全局图

 vit = position embedding + class embedding + patch + transformer 

也可以用global average pooling 获取全局图片的特征然后分类。但本文用class 输出分类

vit encoder 公式：

标签：embedding,transformer,VIT,16,patch,vit,讲解,图片
来源： https://www.cnblogs.com/lxy0401/p/16196138.html

本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享；
2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关；
3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关；
4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除；
5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。