最近在学习 Vision TransformerViT跟着教程把模型从 patch embedding 到图像分类的流程实现了一遍并整理成了一个项目分享给同样在学习 ViT 的朋友。先说明这是个人学习笔记并非原创教程或原创模型。主要参考 Daniel Bourke 的 Learn PyTorch 第 08 章在此感谢原作者。项目包含什么使用 PyTorch 搭建 patch embedding、多头自注意力、MLP 和 Transformer Encoder。为手写 ViT 加载 torchvision 的预训练主干权重完成图片三分类。整理数据加载、训练、权重保存、单张图片预测等完整流程。为了便于理解我把分步骤的讲解与实验放在了main.ipynb中同时提供模块化脚本方便对照阅读和单独运行。项目地址 GitHub手搓 ViT 学习笔记与代码 Gitee 手搓 ViT 学习笔记与代码环境配置、文件说明、运行方式和注意事项已经写在仓库的 README 中这里就不重复展开了。建议先阅读 README再按顺序查看main.ipynb结合每一层的输入输出形状理解代码。