vision transformer on mnist dataset
基于mnist手写数字集训练的vision transformer模型，用作学习用途，只能预测0~9
1x28x28图片输入，对每个1x4x4区域做conv转成16宽向量，整个图片变为7x7=49个16宽patch向量.
- 所有patch向量做linear转patch embedding
- cls embeeding可学习，直接拼到patch embedding序列头部
vision transformer
python train.py
稍微训练一会，loss基本收敛到如下水平：
epoch:0 iter:0,loss:0.025252344086766243
python inference.py
正确分类: 5
预测分类: 5
