UG数控编程从入门到精通：工艺思维与实战避坑指南
2026/9/27 23:49:44
摘要：本文先纠正一个常见误区——ViT 并不是和 Transformer 并列的独立架构，它就是 Transformer 在视觉任务上的落地版本。真正值得对比的是 CNN 和 Transformer 这两套“看图方式”：CNN 靠局部窗口层层堆叠扩大视野，省参数、适合纯视觉任务；Transformer（ViT）从第一层起就能全局建模，参数不共享、吃算力，但和 NLP 同构、天然适合多模态。一句话总结：CNN 和 Transformer 是两种并列的看图架构，ViT 只是后者在图像上的应用。
李沐深度学习191集课程全解析：模块拆解、学习路径-CSDN博客
吴恩达《面向开发者的提示词工程》-CSDN博客
吴恩达 MCP 教程（Model Context Protocol）（一）-CSDN博客
先纠正一个概念：ViT 不是和 Transformer 并列的东西——ViT 就是 Transformer 拿来做视觉的版本。真正值得对比的是 CNN 和 Transformer 这两套“看图方式”
对小白最直观的对比：
| CNN | Transformer（ViT） | |
|---|---|---|
| 看图方式 | 局部：每次只看一小块窗口，靠层层堆叠慢慢扩大视野 | 全局：第一层起每个位置就能直接"看到"全图所有位置 |
| 参数 | 全图共享一套卷积核，省参数、便宜 | 参数不共享，费参数、吃算力 |
| 打个比方 | 拿着放大镜逐块扫描图片的侦探 | 站在山顶一眼俯瞰全图的观察者 |
| 强项 | 纯视觉任务够用、省资源 | 全局关系建模强；和 NLP 同构，天然好做多模态 |
而"ViT vs Transformer"这个问题，就像问“香蕉和水果有什么区别”——ViT 就是 Transformer 的视觉落地版，流程笔记里讲得很清楚：把图切成 Patch → 每块线性投影成向量 → 加位置编码和 Class Token → 整串喂给标准 Transformer Encoder → 取 Class Token 输出做分类。架构上没有任何新东西，新的是“图像可以当成序列喂 Transformer”这个思路。
所以一句话记住：CNN 和 Transformer 是两种并列的看图架构；ViT 只是后者在图像上的应用。