归纳偏置：
一种先验知识/提前做好的假设
CNN：有两个归纳偏置
-
locality,因为cnn是以滑动窗口这种形式，一点一点在图片上进行卷积的，所以他假设在图片上相邻的区域会有相邻的特征
-
translation equivariance平移同变性
即f(g(x)) = g(f(x))，可以把f理解成卷积，g理解成平移。因为CNN里面的卷积核就像一个模板一样,像一个templete一样，无论这个模板移动到哪里，那只要是同样的输入进来，遇到了同样的卷积核，那它的输出永远是一样的。
一旦CNN有了这两个归纳偏置，那就有了很多先验信息，所以他就需要相对少的数据去学一个比较好的模型，但对于transformer来说他没有这些先验信息，所以他对视觉的感知就需要自己去数据里面学
所以CNN的缺点就是：当训练集数据比较少时，泛化性差
因为VIT中没有涉及到解码，所以它不会出现在生成Q的时候它是来自于解码， KV来自编码器的情况