什么是ViT视觉Transformer

大模型中的ViT（Vision Transformer）是一种将图像分割为小块序列，并直接利用Transformer架构处理视觉信息的深度学习模型，它打破了传统卷积神经网络（CNN）的局限，成为当前多模态大模型理解视觉内容的核心底座，过去十年,计算机视觉领域几乎被卷积神经网络（CNN）统治，从AlexNet到R……