ViT（Vision Transformer） 是谷歌研究团队于2020年提出的一种新型图像识别模型，首次将Transformer架构成功应用于计算机视觉任务中。Transformer最初应用于自然语言处理（如BERT和GPT），而ViT展示了其在视觉任务中的潜力。ViT的核心思想是将图像划分为小的固定大小的块（patches），然后将这些块视为一个序列输入Transformer模型，类似于NLP中的词序列。这种方法不同于传统的卷积神经网络（CNN），它不依赖卷积操作，而是完全基于全局的自注意力机制。
论文原文：AN IMAGE IS WORTH 16X16 WORDS: TRANSFORMERS FOR IMAGE RECOGNITION AT SCALE
1. 方法
Transformer用encoder-decoder结构，通过学习语言的拆解组装对照表，实现了很好的机器翻译效果。BERT模型在此基础上通过encoder间的团结协作，在NLP领域实现了多种任务的处理。而视觉领域就是ViT模型了。与BERT相比，ViT的主要框架没有什么改变，都是采用多个Transformer encoder，依然使用多层多头的结构。其主要工作在于输入阶段，把图片进行向量化，转换成embeddings的词结构，从而实现了NLP中类似句子一样的效果，后续encoder的操作和原始Transformer中完全相同。
1.1. patch embedding
就如同ViT的题目所说的那样，将原始二维图像分成小块，称为patch，大小为16x16。每个patch也就相当于在机器翻译中句子中的一个词，然后经过全连接层，把patch压成一个向量。在向量的开头加入class token <cls>，目的是便于后期实现特征分类。
1.2. position embedding
将这个长x宽x通道数的矩阵表示进行展平，然后通过一个共享的线性层投射到Transformer模型里面的特征维度，比如1024。在投影后的固定长度的向量上加入tokens的位置信息，即加入一个可学习的向量，为后面的self-attention计算做准备。位置编码可以理解为一张表，表一共有N行，N的大小和输入序列长度相同，每一行代表一个向量，向量的维度和输入序列embedding的维度相同，其中位置编码的操作是sum，而不是concatenate。因为后面采用的是Transformer Encoder，每个Token不论在哪个位置都可以看到所有的Token。
**1-D 位置编码：**例如3x3共9个patch，patch编码为1到9
**2-D 位置编码：**patch 编码为11,12,13,21,22,23,31,32,33，即同时考虑X和Y轴的信息，每个轴的编码维度是D/2
实际实验结果表明，不管使用哪种位置编码方式，模型的精度都很接近，甚至不适用位置编码，模型的性能损失也没有特别大。原因可能是ViT是作用在image patch上的，而不是image pixel，对网络来说这些patch之间的相对位置信息很容易理解，所以使用什么方式的位置编码影像都不大。
1.3. MLP Head
Transformer之后的MLP Head其实就是一个全连接层，先把输入时添加的分类向量拿出来，输入到这个网络里，输出就是图像的分类类别了。
2. ViT训练
与BERT模型类似，ViT也根据encoder层数的不同训练连三种模型------ViT-Base 、ViT-Large 和**ViT-Huge。**patch size越小，序列越长，计算代价越大，一般来说效果也会越好。ViT的训练与BERT一样，也分为pre-training和fine-tuning两个过程。
论文中对学习到的位置编码进行了可视化，发现相近的图像块的位置编码较相似，且同行或列的位置编码也相近。随着encoder的增加，每个头关注的像素距离越来越远，关注全局信息。
参考资料：
ViT（Vision Transformer）解析 - 知乎
https://zhuanlan.zhihu.com/p/445122996
【深度学习】详解 Vision Transformer (ViT)-CSDN博客https://blog.csdn.net/qq_39478403/article/details/118704747