此实现的灵感和动机来自于一幅价值16×16字的图像：按比例识别图像的变形金刚(Transformers For Image Recognition At Scale)。AN IMAGE IS WORTH 16X16 WORDS: TRANSFORMERS FOR IMAGE RECOGNITION AT SCALE
变形金刚在NLP中大获成功，Vision Transformers将NLP中使用的标准变形金刚应用到图像上。
详细解释CNN的优点和缺点，以及不同的变体是视觉变形金刚，可以在这里阅读。here
原创文章，作者：fendouai，如若转载，请注明出处：https://panchuang.net/2021/08/05/%e8%a7%86%e8%a7%89%e8%bd%ac%e6%8d%a2%e5%99%a8-tensorflow/
fendouai 