Transformer 近年来已成为视觉领域的新晋霸主，这个来自 NLP 领域的模型架构为何能闯入CV界秒杀CNN？
自提出之日起，Transformer模型已经在CV、NLP以及其他更多领域中「大展拳脚」，实力冲击CNN。
Transformer为什么这么有实力？因为它在分类、检测等任务上展现了极其强劲的性能。而且骨干网络上的发展也推动了下游任务的发展，Swin Transformer更是成了屠榜般的存在，在工业界具有广阔的应用前景。所以引起了人工智能研究生的强烈兴趣。
但要想啃透CV Transformer 难度不小：一方面，Transformer本是应用于NLP的论文，其中很多内容都形成了共识，在论文中并不会去详细介绍这些共识内容，例如QKV是什么，embedding是什么等，对于其他方向的人看到这些就很难理解。
另一方面，近小半年，Transformer+CV的论文就已经有40多篇。学术研究更新之快，与脱发速度成正比
那么这些Transformer+CV的论文要怎么学习才能又好又快地吃透呢？
无非三个步骤：泛读、精读、代码复现。
