Transformer Vision（二）|| ViT-B/16 网络结构

1. 原理图

​ 将一张图片拆分开来如下图所示，下图的 0,1,2，…，8,9 是用于记录图片的位置信息

---

​

2.Transformer Encoder结构图 (L× 指重复堆叠L次)

---

3.实现过程：

​

​ 更为详细的Encoder Block图

​

​ 上图中的 MLP Block 图解为

​

4.MLP Head层

注意：在Transformer Encoder 前有一个Dropout层，后有一个Layer Norm层

训练自己的网络时，可简单将MLP Head层看作一个全连接层

5. 总结ViT-B/16 网络结构

其中：Encoder Block

其中：MLP Block

​