Transformer (language)

https://www.cnblogs.com/kongen/p/18088002

https://www.infoq.cn/article/qbloqm0rf*sv6v0jmulf

https://arxiv.org/pdf/2402.06196

https://arxiv.org/pdf/1706.03762

ViT（Vision Transformer）

https://zhuanlan.zhihu.com/p/703561123

ViT，全称Vision Transformer，是计算机视觉领域的新晋明星！它巧妙地将自然语言处理中的Transformer模型引入到图像识别任务中，让图像也能像文字一样被“翻译”和理解。简单来说，ViT把图像切割成一系列小块（patch），然后像处理单词一样处理这些图像块，通过自注意力机制捕捉它们之间的关系，从而实现图像分类等任务。ViT的出现，为计算机视觉领域带来了新的视角和思路，让图像识别更加高效和准确！