用玩梗方式解释ViT模型：人脸当输入的搞笑示意图

假、MLP Head、Transformer Encoder、Patch + Position Embedding、Linear Projection of Flattened Patches、(x) patch embedding

这张图用玩梗的方式调侃视觉Transformer（ViT）模型的输入处理流程，将一张真人的脸作为输入，把人脸分割成多个类似ViT中Patch的区块，对应模型的Linear Projection of Flattened Patches模块，接着连接Patch+Position Embedding、Transformer Encoder，最后标注了一个“假”的MLP Head，用幽默的方式可视化了ViT模型的结构，让专业的AI模型知识变得通俗易懂，没有双关或谐音梗。

这张图是网友对视觉Transformer（ViT）模型结构的趣味改编图，常见于AI技术相关的科普、调侃场景，在知乎等技术交流平台有流传，图右下角有知乎用户“Ey_奕辰”的水印，推测是该用户制作或发布的改编图，将AI模型结构和人脸图像结合，属于P图改编的创作。