ViT Patch Embedding理解

最新推荐文章于 2025-02-26 21:25:49 发布

YoJayC

最新推荐文章于 2025-02-26 21:25:49 发布

阅读量4.1w

点赞数 44

分类专栏： Transformer 文章标签：计算机视觉

版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

本文链接：https://blog.csdn.net/YoJayC/article/details/117820608

版权

ViT(Vision Transformer)中的Patch Embedding用于将原始的2维图像转换成一系列的1维patch embeddings。

假设输入图像的维度为HxWxC，分别表示高，宽和通道数。

Patch Embeeding操作将输入图像分成N个大小为 $P^2C$ 的patch，并reshape成维度为Nx( $P^2C$ )的patches块 $x_{p}$ , $x_{p}\in \mathbb{R}^{N\times \left ( P^2\cdot C\right )}$ 。其中 $N=\frac{HW}{P^2}$ ，表示分别在二维图像的宽和高上按P进行划分，每个patch块的维度为 $P^2C$ ，再通过线性变换将patches投影到维度为D的空间上，也就是直接将原来大小为HxWxC的二维图像展平成N个大小为

最低0.47元/天解锁文章

评论 16

被折叠的条评论为什么被折叠?

到【灌水乐园】发言

查看更多评论

添加红包

成就一亿技术人!

hope_wisdom

发出的红包

实付元

使用余额支付

点击重新获取

扫码支付

钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。