欢迎关注我的公众号 [极智视界]，获取我的更多笔记分享
大家好，我是极智视界，本文详细介绍一下 ViT 算法的设计与实现，包括代码。
ViT 全称 Vision Transformer，是 transformer 在 CV 领域应用表现好的开始，而在此之前，CV 领域一直是 CNN 的天下，虽然 ViT 主要用于图像分类这个简单的任务，但它说到底挑战了自从 2012 年 AlexNet 出世以来，卷积神经网络在计算机领域绝对统治的地位。ViT 的重要性不只在于证明了 transformer 在图像分类上也能 work 的很好，其贡献还在于它给大家挖了个大坑，并随之而来井喷出了大量 ViT 变种以及其他视觉任务的应用，如目标检测 (DETR)、语义分割 (SETR)、图像生成 (GANsformer) 、多模态应用 (CLIP) 等。
本文不止会介绍 ViT 的原理，还会介绍 ViT 的实现，包括代码。下面开始。
参考 Paper：《An Image is Worth 16×16 words Transformers for image recognition at scale》。
Original: https://blog.csdn.net/weixin_42405819/article/details/124898872
Author: 极智视界
Title: 极智AI | 详解 ViT 算法实现
原创文章受到原创版权保护。转载请注明出处：https://www.johngo689.com/650587/
转载文章受原作者版权保护。转载请注明原作者出处！