请比较Transformer和Vision Transformer（ViT）在结构上的主要差异，并说明ViT如何处理图像输入。
考察说明
考察对Transformer和Vision Transformer结构原理的理解与对比能力
回答思路
- 能清晰说明Transformer基于自注意力机制处理序列数据，ViT将图像切块并线性投影为序列
- 能解释位置编码在两者中的作用及ViT的patch embedding
- 能指出ViT保留了Transformer的编码器结构并移除了解码器或做相应适配
- 能讨论二者在输入表示、计算复杂度和适用场景上的差异
本题已收录答题指导
本题附完整参考答案与评分标准
登录后可查看结构化答题指导；也可以直接开一场模拟面试，AI 面试官用本题实时追问并给出评分。