【极致配音】2026 cs231n ViT论文解读：一张图片值16x16个词：大规模图像识别的Transformer

斯坦福cs231n系列，深度解读ViT论文《An Image is Worth 16x16 Words》，讲解如何用Transformer做大规模图像识别。

难度

★★★★☆难度 4/5 — 深度学习经典论文解读，需扎实的神经网络与Transformer基础

适合人群

有深度学习基础、想深入理解ViT的CV/AI学习者与研究者

前置要求

深度学习基础（神经网络、反向传播）、Transformer与注意力机制（理解自注意力）、计算机视觉基础（了解CNN与图像分类）、线性代数与Python（矩阵运算、PyTorch）

课程规模

1 讲 · 3554播放

本课程卡由 AI 生成，可能存在误差，欢迎反馈。