1.一种基于概率图和ViT模型的图片分类方法，其特征在于，包括以下步骤：S1、将输入模型的图片进行分块，然后将每个图片块展平成一维向量，最后通过线性变换生成patch embedding；

S2、给每个patch embedding加上位置编码，补充位置信息；

S3、增加一个用于分类的Token，学习其他图片patch的整体信息；

S4、基于头部交互的Transformer Block，把attention values看作隐变量，利用概率图模型中的Explaining‑away Effects以及Transformer的层级结构，将attention logits层层传递，并将相邻层的值进行融合，促进不同头部之间的交互；

S5、使用两层全连接层，将分类Token输入分类层，得到图片的分类结果。

2.根据权利要求1所述的一种基于概率图和ViT模型的图片分类方法，其特征在于，所述S1的具体步骤为：S11、将输入模型的图片进行分块、展平，具体操作为：将图片patch的长宽均设置为P，即将图片数据H*W*C变换为其中，N为一张图分割的patch数量，C为通道数，H为图片高度，W为图片宽度；

S12、将patch向量线性变换为patch embedding：patch_embedding＝nn.Linear(patch_dim,dim)其中，patch_dim为patch向量的维度，dim为patch embedding的维度。

3.根据权利要求1所述的一种基于概率图和ViT模型的图片分类方法，其特征在于，所述S2的具体操作为：pos_embedding＝nn.Parameter(torch.randn(1,num_patches+1,dim))其中，pos_embedding为patch的位置编码，num_patches为patch的数量。

4.根据权利要求1所述的一种基于概率图和ViT模型的图片分类方法，其特征在于，所述S3的具体操作为：添加一个专门用于分类的可学习编码，与输入进行拼接，具体为：cls_token＝nn.Parameter(torch.randn(1,1,dim))其中，cls_token为分类Token，然后与其他patch token进行拼接。

5.根据权利要求1所述的一种基于概率图和ViT模型的图片分类方法，其特征在于，所述S4的具体步骤为：S41、attention head序列建模，将attention value看作隐变量，p(Y∣X)＝∫Ap(Y∣A,X)p(A∣X)ΔdA其中，Y为图片label，X为输入照片，A为中间层Attention values，p(A∣X)是联合先验分布；

S42、Transformer层次化建模，利用transformer的层级结构，将此过程可表示为：j j j‑1 j

其中，A表示第j层的attention分布，A 的计算需要依赖A 的递归结构，具体来讲，A的计算通式如下：S43、相邻层的attention融合，在Transformer的层级Block的多头注意力计算模块添加MLP，将各层之间的attention vlaue进行融合交互，促进不同头部的去冗余，将此过程可表示为：j j j j‑1

A＝softmax(z+MLP(z ,z ))j

其中，z 为第j层的attention logits，MLP是两层全连接层，用于相邻层注意力值得融合交互。

6.根据权利要求1所述的一种基于概率图和ViT模型的图片分类方法，其特征在于，所述S5的具体操作公式为：x＝self.to_cls_token(x[:,0])y＝self.mlp_head(x)

其中，x为输出的分类Token，mpl_head()为分类层，y为输出的预测。