实现 ViT 图像分块嵌入

实现 Vision Transformer 的第一步：把图像切成 patch 并线性投影到模型维度。 1. 图像 img (B, C, H, W) 按步长 P=patch_size 切成不重叠的 patch，共 N = (H//P) * (W//P) 个； 2. patch (行 i, 列 j) 的索引为 i * (W//P) + j（行优先），每个 patch 按 (C, P, P) 展平为长度 C*P*P 的向量； 3. 投影：y = patches @ proj_weight^T，输出 (B, N, D)。 输入：img 为 (B, C, H, W)，proj_weight 为 (D, C*P*P)，patch_size 为 int。 要求： - 不要调用 torch.nn.Conv2d（等价实现是 kernel=stride=P 的卷积，但请用 reshape/unfold+矩阵乘）； - patch 的展平顺序必须严格按上述约定（这是判题关键）； - 计算必须可微（梯度检查会验证 img 上的梯度）。