为什么图像要划分patch，其对应的物理含义是什么？请与NLP中的文本序列处理进行对比联系。
考察说明
考察对Vision Transformer中patch划分原理的理解及其与NLP序列建模的关联
回答思路
- 说明patch划分的核心动机：将图像转化为序列，以复用Transformer架构
- 解释patch的物理含义：将局部空间信息编码为token，保留相对位置关系
- 对比NLP中token/文本序列：图像patch类似词元，但空间结构需通过位置编码补偿
- 提及patch大小对计算量和性能的影响，以及与卷积局部建模的差异
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。