从图像分块与 Patch Embedding 出发，梳理 Vision Transformer 的编码器和分类流程。

整理 Transformer 的自注意力、多头注意力、位置编码与编码器结构。

梳理 ResNet 的残差连接、网络结构与训练要点，理解它如何缓解深层网络的退化问题。