我认为讲得最好的一个文章：Vision Transformer详解-CSDN博客

有很多文章，自己并没有完全正确理解。

我的笔记，以ViT的标准应用为例：

        • 输入图像：输入图像的尺寸是224x224，且是RGB图像，因此输入张量的形状是 (224, 224, 3)。

        • Patch大小 patch_size： patch_size x patch_size = 16x16，这意味着每个patch的尺寸是16x16像素，且包含RGB3个颜色通道。如果以像素值为统计单位，每个Patch的大小是16*16*3 = 768。

        • Patch数量：将224x224的图像分割成16x16的patch，得到的patch数量为 (224/16) x (224/16) = 14 x 14 = 196 个patch。

        • 卷积、映射以及展平patch：使用一个卷积层（  nn.Conv2d  ），其卷积核大小（  kernel_size  ）和步长（  stride  ）均等于  patch_size = 16  ，16*16*3  = 768，这个卷积层实际上执行了一个线性变换，将每个  patch  展平成一个一维向量，其长度为  embed_dim = 768。当前共有14 * 14 = 196 个patch，所以，到了这个步骤，得到的向量的形状是：[196, 768]。

        • 添加位置信息：为了保留每个patch在图像中的相对位置信息，ViT使用位置embedding。位置embedding是一个可学习的参数，形状为 [196, 768]，其中196是patch的数量，768是每个patch的embedding维度。
        加法操作：将位置embedding加到patch embedding上，两个等维度矩阵相加后维度不变，到了这个步骤，得到的向量的形状仍然是：[196, 768]。

        • Class Token（类别标记）：在Transformer模型中，需要一个特殊的标记来聚合全局信息并进行分类，所以引入一个可学习的  class_token  ，其维度与  embed_dim  = 768 相同，初始化为零向量或其他值。将  class_token  添加到嵌入后的  patch  序列的开始位置，到了这个步骤，得到的向量的形状是：[197, 768]。

经过以上步骤，获得了形状为[197, 768]的特征向量，将其送入编码器。