我要招人

百度面试题更新 2026-08-05

ViT是如何把图像转换为token序列的？

百度人工智能专业服务技术原理Transformer

考察说明

考察对Vision Transformer输入处理流程的理解

回答思路

  1. 明确图像被切分为固定大小的patch
  2. 说明patch展平后经过线性投影得到embedding
  3. 解释class token和位置编码的作用
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。

开始模拟面试登录查看答题指导