一、终极结论：

        如果在足够多的数据上面去做预训练，那么，我们也可以不用 卷积神经网络，而是直接用 自然语言处理那边搬过来的 Transformer，也能够把视觉问题解决的很好

（tips：paperswithcode.com——查看各个机器学习领域的State of art）

二、标题信息：

        一张图像 == 很多16*16大小的单词序列

三、摘要:

        在NLP中无论是Bert,GPT还是T5,其中的transformer已经成为了标配，但是，计算机视觉中tranformer用得还有限，即使是使用了transformer，也只是在整个model的一个stage中用到了自注意力机制。而VIT会告诉你，这些都不用，直接照搬NLP的model就可以了

四、引言：

        首先，transformer的应用，使得GPT那些大模型还没有性能饱和，

        其次，直接用原始像素的话太大了，不可行，而已有的工作呢，比如，有把网络中间的feature map作为transformer的输入的，也有分横轴、纵轴作为transformer的输入的（这个的硬件加速没有实现，所以很难做大模型）

        之后，就是VIT的工作，就是将图像看作1个个16*16大小的“单词序列”，直接输入到NLP的model中即可

        最后，结果显示，只要预训练的数据够多，就能够取得比原来卷积神经网络更好的效果

五、结论：

        反正，就是这个VIT能够把分类任务做得很好，然后，在图像分割等视觉也应该能够做得很好（挖坑），并提出了一些展望什么的。

六、相关工作：

        和introduction中的前期工作相似，多了一个利用图像生成（imageGPT）进行图像分类，当时只是达到72%的正确率，但是，后来何凯明团队提出的MAE却能够利用图像生成在各个图像任务上面取得很好的效果

七、主题：VIT模型的结构

        

主要就是这个patch embedding的部分，整个transformer Encoder就是 重复了L次的上面右图的结构,同时，这个视频也讲到整个 “前向流程”——包括1D的位置编码。。。参见视频即可，需要用的时候再去了解

（对了，这里明白了一个新的点，就是消融实验，一般放到附录中，有点像 单一变量原则）

八、实验部分：

        就是 展示了这个VIT的正确率情况等等。。。反正就是表现得非常nice,还有它里面每一层特征学到的结果，还有改用自监督的方式训练得到的结果正确率只有80%。。。