英文：Patch Embedding 分类：architecture
将图像切分为固定大小的块（Patch）并线性嵌入为 Token 序列的处理，是视觉 Transformer（ViT）的输入方式。它把"图像"转化为与文本 Token 同构的序列。
实现：图像 H×W×C 切为 N 个 p×p 块，每个块展平后经线性投影得到 d 维向量，叠加位置编码（常加 CLS Token）；块大小（如 16×16）决定序列长度与信息粒度，可配合卷积下采样提升效率。
用于视觉 Transformer、多模态大模型（图像输入）、视频理解（时空块）与图像生成（潜在表示）；是"Transformer 处理视觉"的基础接入层。