把一张图变成一串可以计算的向量
正在载入课堂画面…
图像分成 patch，每块像素展平后进行可训练线性投影并加位置表示。画面 4×4、16 个块仅是序列化教学示意。真实 ViT-B/16 的 /16 指 16×16 像素块；224×224 图像对应 14×14=196 块。图像取 MAE Figure 2 校车原图作为连续对象，不冒称为 ViT 论文中的原始示例。
来源：ViT v2，§3.1；校车来自MAE v3，Figure 2。
相关的完整阅读材料保留原有公式、引用和原始图解。