本文比较了卷积神经网络（CNN）与视觉Transformer（ViT）在电子商务服装分类中的表现。研究发现，CNN在局部模式识别上更具优势，而ViT通过自注意机制增强了整体上下文理解。结合两者的优点可以提升分类性能。此外，轻量级视觉变换器（如MobileViT）在移动设备上表现优异，超越了传统的CNN和ViT。