本文提出了三种易于实现的视觉Transformer变体，包括并行处理残差层、微调注意力层权重以适应更高分辨率和其他分类任务、添加基于MLP的补丁预处理层以提高自监督训练效果。作者使用ImageNet-1k数据集评估了这些设计选择的影响，并在ImageNet-v2测试集上确认了研究发现。同时，在六个较小的数据集上评估了转移性能。