ConvNets 与 Vision Transformers：数学深入探讨

        作为背景，在快速发展的深度学习领域，有两种架构在图像“分类”任务中脱颖而出：卷积神经网络（ConvNets）和视觉变换器（ViTs）。虽然从业者经常交替使用它们进行分类，但它们的数学基础是不同的。