关于Vision Transformer
Vision Transformer（ViT）结构和工作原理
ViT模型的主体结构是基于Transformer模型的Encoder部分
- 图像分块：ViT首先将输入图像分割成一系列固定大小的patch（例如16x16像素）。然后，每个patch通过线性层转换为固定长度的向量，这些向量将作为Transformer编码器的输入。
- 位置嵌入：由于Transformer模型本身不具有处理序列位置信息的能力，ViT引入了可学习的位置嵌入来弥补这一缺陷。位置嵌入是一个与patch嵌入维度相同的向量表，其中每一行代表一个位置向量。通过将位置嵌入与patch嵌入相加，模型能够捕捉到图像中不同位置的信息。
- Transformer编码器：ViT模型的核心组件是Transformer编码器，它负责处理经过嵌入的图像块序列。Transformer编码器由多个堆叠的编码器层组成，每个编码器层包含自注意力机制和前馈神经网络。通过多层堆叠，模型能够捕捉到图像中的多层次信息。
Transformer基本原理
Transformer模型：基于Attention机制的编码器-解码器型结构.
其主要结构为多个Encoder和Decoder模块所组成，其中Encoder和Decoder的详细结构如下:
Encoder与Decoder由许多结构组成，如：多头注意力（Multi-Head Attention）层，Feed Forward层，Normaliztion层，甚至残差连接（Residual Connection，图中的“Add”）。不过，其中最重要的结构是多头注意力（Multi-Head Attention）结构，该结构基于自注意力（Self-Attention）机制，是多个Self-Attention的并行组成。
所以，理解了Self-Attention就抓住了Transformer的核心。
Attention模块
整体把握Self-Attention的全部过程
Multi-Head Attention，多头注意力机制就是将原本self-Attention处理的向量分割为多个Head进行处理。
ViT优势与特点
- 全局建模能力：与CNN模型相比，ViT模型摒弃了卷积操作，完全依赖于自注意力机制来处理图像块序列。这种设计使得ViT能够捕捉到图像中的全局信息，并在大规模预训练后在多个图像识别任务中取得优异的结果。
- 高效性：在一些实验中，ViT模型在拥有足够多的数据进行预训练时，其表现超过了CNN，并且需要更少的计算资源来训练。
- 可扩展性：ViT模型简单且效果好，可扩展性强，成为了Transformer在CV领域的里程碑著作，引爆了后续相关研究。
Tips
Vision Transformer（ViT）是近年来计算机视觉领域的一项重大突破，它将Transformer架构成功引入图像识别任务中，为处理大尺寸图像和长序列数据提供了一种全新的视角。ViT模型通过图像分块、位置嵌入和Transformer编码器等技术手段实现了对图像的全局建模和高效处理，并在多个视觉任务上取得了优异的结果。随着研究的不断深入和技术的发展，ViT模型有望在未来得到更广泛的应用和发展。