
AI 与计算机
视觉 Transformer(ViT)结构
- 构图:
- 图像切块变成词元序列
- 画幅:
- 16:9
提示词
画一张【视觉 Transformer】的结构图,从左往右读:
1. 【一张输入图像(小风景照图标),用细线切成方形小块的网格。】
2. 【这些小块排成一行小方块。】
3. 【每个方块经过同一个线性投影框,变成一根彩色词元条;这一行最前面多一根灰色词元条,每根条上都加一个小的位置标记。】
4. 【整行词元进入一个代表 Transformer 编码器的高方块,方块后面淡淡画出几层叠放的副本,副本不标注。】
5. 【只有最前面的灰色词元继续进入一个小的 MLP 头框,再指向一个代表类别的输出框。】
整张图里每个标签只写一次。
如果同一组件在多处或多个面板出现,只在第一次出现时写标签,其余副本不写字。整张图里任何标签都不能出现两次。每个标签拼写与给定完全一致,不加标题。
标签(每个只出现一次,不加其他文字):【Input image, Patches, Linear projection, Class token, Position embedding, Transformer encoder, MLP head, Class】。
风格:期刊式示意框图。白色背景上干净的扁平矢量图形。模块画成圆角矩形或简洁图标,名称写在里面;用浅色面板把相关的层归在一起。只用 3–4 种低饱和度颜色,每种颜色含义固定。细而粗细一致的箭头表示数据、能量、物质或影响的流向,间接或反馈关系用虚线箭头。图中文字只用英文无衬线字体,每个标签只出现一次,拼写与给定完全一致。不要 3D 渲染、阴影、发光、赛博朋克或科技感背景装饰,不要照片质感。
在 Yila 中打开,并带上这段提示词和示例参考图。
示例图由 Nano Banana 生成。提示词也可用于 GPT Image 等图像模型,效果因模型而异。






