METHOD，論文主要部分

In model design we follow the original Transformer (Vaswani et al., 2017) as closely as possible. An advantage of this intentionally simple setup is that scalable NLP Transformer architectures – and their efficient implementations – can be used almost out of the box.

論文一上來就強調了，ViT基本上就是采用的原始Transformer結構。接下來的一句中的幾個關鍵點：

• intentionally simple setup，簡單化設計。指的就是直接使用Transformer結構，而沒有做其他的適配性的結構改造，強調模型的簡潔性。
• out of the box，強調開箱可用。

ViT模型架構

這一節一上來就放了模型架構圖：

• 論文一上來就說了Transformer在圖像領域最關鍵的問題，如何把一個2D圖像(包含多通道)變成一個一維的數據：The standard Transformer receives as input a 1D
  se