Vision Transformer

按照往常我们的想法transformer，Bert等模型都只能用来做NLP的问题，很少有人能去想做CV的问题，但是Vit的出现，打破了常规的认识，让我们知道了其实NLP和CV是没有界限的，只是技术的落后，把我们的想法限制住了。

BERT模型的提出是用来做NLP的，通过BERT模型可以学习句子的语义，当然BERT的模型调用，输出有两个一个就是语义向量，另一个就是句子中所有token向量，那么语义向量是怎么表示的呢？BERT在进行句子编码时，会自动在句子头部添加[CLS]，注意这个是不用我们自己添加的，[CLS]所表示的向量是整个句子的语义向量，很神奇吧！

那么在使用transformer怎么处理图片呢？或者怎么做目标检测的任务呢？

我们可以把图片进行分割，那么每一个图片的像素点其实可以看做是像素矩阵，在通过encoder进行权重计算时可以形成该图像切片对应的向量（比如像素矩阵128*400乘以权重向量400*1，则变为了图像切片向量），当然该切片只表示原图片的一部分，我们可以使用position向量代表切片在原图片中的位置，将两个向量拼接（对应位置加运算）形成一个新等我向量作为切片向量。那么切片对应了token(单词)，图片应该对应句子了吧！句子有语义向量，那应该不止切片有向量，图片也应该有吧，没错下图0号位置表示的就是图片向量，和[CLS]很相似。

 所以NLP的问题解决方案也可以推广到CV