視覺變換器 是什麼？
Vision Transformer — 視覺變換器 的完整解釋
Vision Transformer (ViT) 是一種將 Transformer 架構應用於圖像識別的深度學習模型，它將圖像分割成小塊，並將其視為序列進行處理。
容易混淆
視覺變換器 vs 卷積神經網路 ViT 把圖片當成序列看 CNN 會從局部卷積開始掃 最關鍵的區別：序列化處理和局部卷積
視覺變換器 vs 轉換器架構 ViT 是轉換器的影像版本 轉換器是更一般的架構家族 最關鍵的區別：應用場景不同
視覺變換器 vs 圖像分類 ViT 是模型架構 圖像分類是任務 最關鍵的區別：工具和工作
記住這句就好
把圖片切成塊，再讓注意力把整張圖連起來。
實際案例
大規模分類 在大量圖片資料上，ViT 常能學到很強的全局關係，特別是資料夠多時
醫療影像 把高解析度切成圖塊後做分類或輔助判讀，能利用全局與局部資訊
算法與應用
| 切塊 | 把圖片分成固定小區塊 | 像把句子切成 token | | 位置編碼 | 告訴模型圖塊原本在哪 | 避免順序丟失 | | 自注意力 | 讓圖塊彼此互看 | 抓全局關係 | | 資料需求 | 通常需要較多資料 | 不然容易學不穩 |
情境判斷
Q1（直覺題）：你想把圖片當序列來處理，這就是 ViT 的思路嗎？ → 對，這正是它和 CNN 最直觀的差別。
Q2（判斷題）：資料很少時，ViT 一定比較好嗎？ → 不一定，資料少時 CNN 常反而更穩。
相關術語
常見問題
ViT 為什麼要切圖塊？
因為它要把影像轉成類似 token 序列的形式。
它一定比 CNN 強嗎？
不一定，資料量和任務型態會影響結果。
位置編碼重要嗎？
很重要，不然模型不知道每個圖塊原來的位置。