R50.md · 可读全文

这里保留原文的中文、公式标记、代码和链接。可直接交给 Agent 读取，也可选取下方原文复制。此入口返回 HTML；原始 .md / .py 文件仍保留，完整候选包同时包含 UTF-8 原件。

# R50 · 回到同一张图，改变的是输入接口

目标、信息通路与训练问题已有位置，现在兑现图像条件的迁移。返回同一湖边图，只改变它进入序列模型的组织方式。

<span id="r50-b0"></span>

## 状态 b0

返回同一湖边图，对照先前整图条件接口；画面事件保持，接下来改变输入组织。

草帽人、木凳、湖面与小狗属于同一情境，切片后没有重新生成物体。

<span id="r50-b1"></span>

## 状态 b1

3×3网格在原图上按行编号。观察物体如何跨越格子，分块单位不是物体类别。

<span id="r50-b2"></span>

## 状态 b2

抽出的patch与原图区域逐一对应，所有块使用同一坐标系。真实像素切片与下一页的224/16形状例分别看。

## 公式与算例详情

### 从同一原图得到可追溯的小块

前面图像字幕使用的同一幅湖边情境，现在作为另一种输入组织方式。图中的3×3网格只是把分块过程放大给人看，所有小块都由同一图像坐标系的 SVG viewport 显示原始像素区域，没有重新生成或拼造 patch 内容。原图为1254×1254，3×3展示中每块覆盖418×418的原图区域。编号按从左到右、从上到下的行优先顺序，patch序列可以追溯到原图位置。

### 从演示网格到模型输入形状

实际 ViT 通常把已预处理的图像分为固定大小、不重叠的方形块。以224×224的RGB输入与16×16 patch为例，一共有14×14=196块，每块有16×16×3=768个数。课堂3×3图仅说明变换关系，不假装运行了一个真实224×224模型；不在本页给出分类概率或声称注意力看到了小狗。

与字幕模型的任务不同，切块只是把图像交给序列结构的输入接口。后续需要投影、位置、Transformer和适合任务的输出头，才能定义一个完整的视觉模型。参考 CS231n Lecture 8 物理 p101–105。

原课页采用记录：[M31 图像作为序列](sources.html#M31)。页码均按PDF物理页计。

### 继续学习

要把图上的 patch 与实际输入对应起来，用[原图尺寸与行优先编号](lecture.html#read-R50)追踪一个418×418展示区域，再独立计算224×224输入、16×16 patch 的196×768形状。[视觉条件是否真正被使用](https://codingai-lec05.pages.dev/course/knowledge/visual-condition-use.html)与[CLS 03](https://deepnote.com/workspace/ise3309jingao-5ba66b0a-4283-4f5a-ae06-3f68d3201e99/project/Fall-26-Lecture-05-841ec8e7-e352-4840-b628-d3742b03d6d0/notebook/CLS-03-719b25c7c5b64687998ba9c19d2f6776?utm_content=719b25c7c5b64687998ba9c19d2f6776&utm_source=openai&utm_medium=mcp&utm_campaign=openaimcp&utm_term=get_notebook)“4 · 同一张图，分类与逐词预测要不同接口”继续解释为什么切块还不是任务；[LAB 03](https://deepnote.com/workspace/ise3309jingao-5ba66b0a-4283-4f5a-ae06-3f68d3201e99/project/Fall-26-Lecture-05-841ec8e7-e352-4840-b628-d3742b03d6d0/notebook/LAB-03-Transformer-9c5b3d45acdb438a8e7df1dc6cb97e40?utm_content=9c5b3d45acdb438a8e7df1dc6cb97e40&utm_source=openai&utm_medium=mcp&utm_campaign=openaimcp&utm_term=get_notebook)“视觉接口 · 196 个 patch 如何影响下一词分布？”检查投影、位置与输出接口。