自然言語処理分野におけるブレイクスルーとなったTransformerをコンピュータビジョンに応用したモデルがVision Transformer（ViT）です。さまざまなコンピュータビジョンのタスクにおいて、ディープラーニングではスタンダードとなっているRNN、CNN、および既存 ...

本書「Vision Transformer入門」の第3章で解説している内容を試していただけるように、以下のリンクからサンプルコードをダウンロードできます。