METHOD，论文主要部分

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.

论文一上来就强调了，ViT基本上就是采用的原始Transformer结构。接下来的一句中的几个关键点：

• intentionally simple setup，简单化设计。指的就是直接使用Transformer结构，而没有做其他的适配性的结构改造，强调模型的简洁性。
• out of the box，强调开箱可用。

ViT模型架构

这一节一上来就放了模型架构图：

• 论文一上来就说了Transformer在图像领域最关键的问题，如何把一个2D图像(包含多通道)变成一个一维的数据：The standard Transformer receives as input a 1D
  se