Transformer 最早是应用与NLP领域，即自然语言处理，用最最最简单的理解方式，Transformer的工作方式就是把一句话从一种语言翻译成另一种语言。主要是通过把一句话拆分为多个单词或者多个模块，然后进行编码和解码训练，再评估那个单词对应的意思，最后通过得分高低得出最终翻译结果。

而Vision ransformer则是将一个图片抽象地看做一个token，通过图像分割将其拆分为多个token，再进行编码和解码训练，最后评估中得分高低判断最终预测的结果。