1 简介

本文根据2021年《AN IMAGE IS WORTH 16X16 WORDS: TRANSFORMERS FOR IMAGE RECOGNITION AT SCALE》翻译总结的。在本文中提出了模型Vision Transformer (ViT)，其没有使用CNN，而是参考NLP领域的Transformer处理图像，即图像领域纯的Transformer。

该模型之前，主要是ResNet之类的CNN网络在图像领域占主导地位。

ViT是在大规模数据上进行监督预训练，然后在小的下游数据进行fine-tune（微调）。ViT暂时没有使用自监督（SELF-SUPERVISION），类似NLP的mask训练，这个可以后面进一步探讨下。

当预训练数据量小时（ImageNet），ViT表现不如ResNet；但当预训练数据量大时（JFT-300M），ViT表现超越ResNet。Transformers 缺乏 CNN 固有的一些归纳偏置 (inductive biases)，例如平移等效性和局部性 (translation equivariance and locality)，因此在数据量不足的情况下训练时不能很好地泛化。

如上所述，ViT有两个特点，一是采用纯Transformer，没有CNN；二是基于大量的预训练数据。

2 方法

结合着上面模型架构图和公式一起说明，
1） 将图像 H * W * C（如224 * 224 * 3，高 * 宽 * channel）拆成固定大小P * P（如16 * 16）的小块（patch），然后线性embed他们，加上位置embed，最后输入到标准的transformer。

整个过程就是上面的公式1. 其中D是embedding的维度

2） multiheaded self-attention (MSA)，如公式2.
3) MLP包括两个带有GELU非线性的层。如公式3.
4) Fine-tune时，去掉预训练的预测head，换成一个零初始化的D*K的feedforword层，其中K表示下游任务的分类数量。

实验中，我们采用了如下一些模型：

3 实验

可以看到我们的模型ViT，在各任务中基本是最好的，尤其是ViT-H。

ViT与ResNet、和混合模型Hybird（CNN+transformer）相比，在相同的计算能力下，ViT准确率高于ResNet；对于小的模型时，混合模型Hybird表现好于ViT，但当变成大模型时，差距就不存在了。

下图说明，当预训练数据量小时（ImageNet），ViT表现不如ResNet；但当预训练数据量大时（JFT-300M），ViT表现超越ResNet。