Vit:
最基础的，就是将transformer的encoder取出来。
输入图像大小维度(B,C,H,W)，将图片不重叠地划分为H/patch_height * w/patch_weight个patch，每个patch为patch_height * patch_weight * c。
之后，concat用于分类的cls token，维度+1，同时加入可学习的绝对位置编码，送入transformer的主体。
之后就与tansformer的计算相同，这里不多做赘述。
如果要加入mask屏蔽，应该在未softmax前的attention weights进行屏蔽。
最终送入分类头时，可以选择对所有patch求均值或只送入cls token。
Deit：
DeiT是在ViT的基础上，多加入了一个distill token用于蒸馏学习。
这篇论文提出了两个蒸馏方法：
软蒸馏：
λ,τ是超参数，y 是ground truth，ψ是softmax函数，Zs和Zt分别是学生模型、教师模型的输出， LCE是交叉熵损失，K L是KL散度。
KL散度也就是相对熵，也是用来计算两个概率分布的一种差异
硬蒸馏：
也就是计算学生的输出分别于与真实标签，yt教师输出做损失。
DeepViT：
主要在于VIT深层，自我注意机制无法学习到有效的表征学习概念，阻碍了模型获得预期的性能增益。也就是出现了注意力坍塌的问题。
基于这一观察，为了解决注意力崩溃的问题，并有效地将视觉转换扩展到更深的层面，提出了一种简单而有效的自我注意机制–再注意（re-attention）用于ViTs中。
定义了一个端到端可学习的变换矩阵，变换矩阵沿着头部维度乘以自注意力映射图，将多头注意力映射图混合到重新生成的新的注意力映射图中，并且Norm取得是BatchNorm而不是传统的LayerNorm，然后与Value相乘。实现时，变换矩阵是一个(heads,head,1,1)的二维卷积。
Cait:
（b）（c）中的 α 是一个实数，即，FFN或SA的输出特征都统一乘以α；而图（d）中，FFN或SA输出特征的不同channel乘上不同的数值，在一定程度上会使得特征更细化，更精准。
该作者认为，既然用于分类的cls token只是为了获得图片的全部信息，那么完全不必在一开始就送入网络进行信息交互，只在最后两层transformer加入进行信息交互。
CPVT:
这篇论文主要的侧重点在于，位置的编码。常见的position encoding方式包括绝对位置编码和相对位置编码等。
目前常用的一般是绝对位置编码，包括在Transformer中提出的sinusoidal编码方式，以及在GPT，ViT等中所使用的可训练的位置编码等。但是一般的绝对位置编码针对特定分辨率的任务，在训练时就会生成固定尺寸的编码，无法处理不同分辨率大小的图片，这极大地妨碍了Transformer地灵活性和更大的应用空间。常见的处理方式是在处理不同分辨率的图像时，对训练好的position encoding进行插值适用，但需要fine-tune来恢复，不然会造成较大的精度下降。
所以，该文提出了提出一种能够根据不同尺寸输入改变长度的position encoding 方式
首先对上一个transformer encoder的输出进行reshape，回退为2D的图像形式；
然后对该2D信息进行一个2D可分离卷积等来进行局部信息的提取；
最后对新生成的tensor重新reshape到序列化信息格式作为输出。
由于class token中不包含位置相关信息，因此将其隔离不参与PEG的操作。
CVT：
将卷积与transformer两种设计相互结合，寻求最佳组合方式，从而提高了视觉Transformer（ViT）的性能和效率。
CvT的整体流程如图所示。在ViT架构中引入了2种基于卷积的操作，即卷积Token嵌入和卷积映射。
卷积Token也就是，在VIT中使用linear实现patch_embedding和pos_embedding，而在这里使用卷积替代。并且每一个stage，都会进行卷积+LN的token embedding。这允许每个阶段逐步减少Token的数量(即特征分辨率)，同时增加Token的宽度(即特征维度)，从而实现空间下采样和增加丰富度。
在Q，K，V的计算上使用深度可分离的卷积运算，称为卷积映射，分别用于查询、键和值的嵌入，而不是ViT中标准的位置线性映射。此外，分类Token只在最后阶段添加。
CeiT：
该论文同样，也是希望将CNN与transformer相结合。
主要的创新点有三个：
首先设计Image-to-Tokens模块来从low-level特征中得到embedding。
其次是将Transformer中的Feed Forward模块替换为Locally-enhanced Feed-Forward(LeFF)模块，增加了相邻token之间的相关性。
也就是在mlp中加了卷积来融合不同通道的特征。
最后是本文最为突出的一个特点使用Layer-wise Class Token Attention（LCA）捕获多层的特征表示。也就是将前面所有stage的class token取出来，将所有的class token作相关与前馈，相互进行信息交互。
如有错误，欢迎大家批评指正！
