ResNet网络卷积视觉网络 和 Vit （Vision Transformer）两种网络对比

1. 卷积神经网络

1.1 特点： 卷积+池化 （位置信息）天然携带，具有感知野, 位置信息在特征图上

最终得到的特征图的像素就是 patch 维度就是卷积核数（在vit是隐藏层) ， ** 卷积核的数量——>高维信息宽 **，

（图片数量, 高维长度, 特征图宽, 特征图长）

2. ViT

2.1 Vision Transformer 本身不是用卷积核，没有卷积操作，位置信息，在patch的位置编码上

依靠自注意力机制（self-attention），将图片切块——>做映射（高维），在注意力模式中对于每一个图像块 patch 进行联系