你怎么把 Transformer 用到图像任务上的？和 CN

ViT Transformer：图像分块：将图像划分为多个patch。线性输入：每个patch通过线性投影映射到D维向量上（一个长度为x的token序列，每个序列代表一个patch）。添加位置编码：使用可学习的位置编码，告诉模型每个patch的空间位置。4.引入分类token：在序列开头添加一个特殊token，用于最终分类。 Transformer：大数据预训练，迁移学习，适合全局上下文理解的任务。CNN：小数据量训练，实时部署，局部特征主导的任务。