参考博客：Vision Transformer详解
参考视频：11.1 Vision Transformer(vit)网络详解
基本流程：
- 提取embedding：将原图分为若干patch，使用convnet提取每个patch的特征作为embedding，然后在前面concat一个用来分类的embedding，之后每个patch加上一个位置编码。
- tranformer encode：将上一步的embedding直接喂入堆叠的transformer模块，进行encode操作。
- 提取分类特征：将分类的特征切片，并在后面增加一个mlp网络进行分类。
纯Vit和Hybrid的区别就是前面提取embedding是用一个简单的conv模块还是使用ResNet50（论文中是改造后）的复杂模型。
