vison transformer vit 论文阅读

An Image is Worth 16x16 Words

20年的论文看成10年的哈斯我了

[2010.11929] 一张图像胜过 16x16 个单词：用于大规模图像识别的转换器 --- [2010.11929] An Image is Worth 16x16 Words: Transformers for Image Recognition at Scale

为什么transformer好训练，transformer很好训练吗

为什么 transformer性能不会饱和

Vision Transformer是什么，能干嘛

比如说我三视图有一个圆柱和一个立方体 Vision Transformer能识别出正方体的长宽高信息和圆柱体的直径和高度信息吗

他不是有注意力吗，我能不能让他分开的几个区域算作一个东西