Vision Transformer 模型
ViT: AN IMAGE IS WORTH 16X16 WORDS: TRANSFORMERS FOR IMAGE RECOGNITION AT SCALE 是 2020 年 Google 团队提出的将 Transformer 应用在图像分类的模型。
ViT 在 Transformer 架构的视觉模型的地位类似 ResNet 模型。因为其模型“简单”且效果好，可扩展性强（scalable，模型越大效果越好），成为了 Transformer 在 CV 领域应用的里程碑著作。
ViT 结构
ViT 算法的整体结构如下图所示。
我们知道在 Transformer 结构中，输入是一个二维的矩阵，矩阵的形状可以表示为 ( N , D ) (N,D)
