1. 原理图
将一张图片拆分开来如下图所示，下图的 0,1,2，…，8,9 是用于记录图片的位置信息
2.Transformer Encoder结构图 (L× 指重复堆叠L次)
3.实现过程：
更为详细的Encoder Block图
上图中的 MLP Block 图解为
4.MLP Head层
注意：在Transformer Encoder 前有一个Dropout层，后有一个Layer Norm层
训练自己的网络时，可简单将MLP Head层看作一个全连接层
5. 总结ViT-B/16 网络结构
其中：Encoder Block
其中：MLP Block
文章出处登录后可见！
已经登录？立即刷新
