Vit :图像分类 vision transformer

        他的结构就是下边展示的这样 ，首先将图片进行分块，展开（或CNN进行特征映射，做线性变换）

        在块序列首位置添加虚拟开始块，用作后续的图像分类特征

        使用Transformer-Encoder进行块编码

        虚拟块表示作为分类向量，通过MLP进行分类

 虚拟快 （上图中的0）可以和所有的块进行交互，所以我们可以认为，它可以提取到所有的图片的语言信息，所以认为它是信息的代表，去进行分类。