解题思路
Patch Embedding 的本质是一个分块 + 展开 + 线性变换的过程，可以理解为对图像做一次“卷积核为 patch，步长为 patch_size 的卷积 + reshape”，再加上一个 cls token。这里我们只需要计算输出向量序列的维度，而不是具体做矩阵运算。
设输入参数为：
- 图像尺寸：
img_size（高 = 宽）
- patch 大小：
patch_size
- 通道数：
channel
P4481.第2题-Vision Transformer中的Patch Embdding层实现
题目内容
Vision Transformer(ViT) 是视觉领域应用非常广泛的基础网络结构，经典的 ViT 结构如图所示，
其包含了 Patch＆Position embedding、Transformer Encoder 等多个关键模块组成。这几个模块中，将图像分割为固定大小的 patch 并进行线性嵌入是一个关键步骤，也即 Patch Embedding 层，其主要实现步骤为：
Step 1：将输入图像分割为多个非重叠的 patch ，也即将图片切分为 N∗N 个 patch ，如 3∗3 个 2D 图像块；
Step 2：将每个 patch 展平为向量，也即将每个切分后的 2D Patch 展平为 1D 向量;
Step 3：对展平的 patch 进行线性变换(嵌入)，也即对每个展平后的 1D 向量做一个线性变换，使用一个可学习的权重矩阵 E 和 偏置向量 B 进行线性变换，公式为：Z=X∗E+b
Step 4：添加可学习的位置编码；
请根据以上提示步骤，实现 Patch Embedding 层。
特别注意：本实现过程中，无法使用深度学习框架，如 pytorch、tensorflow 等
输入描述
输入参数包括：imp_size、patch_size、channel、embedding_dim，分别表示：
图像尺寸（图像长、宽默认相等）img_size ；
patch 大小 patch_size ；
图像通道数 channels ；
嵌入维度 embedding_dim
输出描述
输出 patch_embedding 后的维度信息 embedding_shape，其中需要包含 cls token，具体可见样例。
样例1
输入
448 32 3 384
输出
197 384
说明
输入：448 32 3 384
分别表示：
图像尺寸（图像长、宽默认相等）img_size=448 ；
patch 大小 patch_size=32 ；
图像通道数 channels=3 ；
嵌入维度 embedding_dim=384
输出：197 384
分别表示：
经过 patch_embedding 层后得到的 embedding_shape ，其中第一维 197 表示 patch token+cls token ，第二维表示 patch_embedding 后的 enbedding 维度
样例2
输入
224 16 3 768
输出
197 768
说明
输入：224 16 3 768
分别表示：
图像尺寸（图像长、宽默认相等）img_size=224 ；
patch 大小 patch_size=16 ；
图像通道数 channels=3 ；
嵌入维度 embedding_dim=768
输出：197 768
分别表示：
经过 patch_embedding 层后得到的 embedding_shape ，其中第一维 197 表示 patch token+cls token ，第二维表示 patch_embedding 后的 enbedding 维度
