请解释 Vision Transformer（ViT）的基本工作原理及其与 CNN 的主要区别。

Question

Accepted Answer

考察点：考察对 Vision Transformer 架构原理及其与 CNN 对比的理解。回答思路：能清晰描述图像分块、位置编码、Transformer 编码器结构 能说明 Patch Embedding 与位置编码的作用 能对比 ViT 与 CNN 在局部归纳偏置上的差异及数据需求 能提及实际应用或改进方向

请解释 Vision Transformer（ViT）的基本工作原理及其与 CNN 的主要区别。

考察说明

回答思路

本题附完整参考答案与评分标准