这是一份关于视觉变换器（Vision Transformers，简称ViTs）的视觉指南，ViTs是一类深度学习模型，在图像分类任务上取得了最先进的性能。视觉变换器将变换器架构应用于图像数据，该架构最初是为自然语言处理（NLP）设计的。本指南将以滚动故事的形式，通过可视化和简单的解释，带你了解视觉变换器的关键组件，帮助你理解这些模型的工作原理以及数据在模型中的流转方式。
http://t.cn/A6TjFe2A