CV领域Transformer这一篇就够了（原理详解+pytorch代码复现）
文章目录
- 前言
- 一、注意力机制
-
- 1.1注意力机制通俗理解
- 1.2注意力机制计算公式
- 1.3注意力机制计算过程
- 1.4注意力机制代码
- 二、自注意力机制
-
- 2.1 注意力机制和自注意力机制的区别
- 2.2 编码-译码中的attention
- 2.3自注意力机制计算流程
- 三、多头注意力机制
-
- 3.1多头注意力机制计算过程
- 3.2 多头自注意力机制计算过程
- 3.3位置编码
- 四、Vision Teansformer（ViT）
-
- 4.1 Embedding层
- 4.2 Encoder层
- 4.3 MLP Head层
- 4.4 ViT代码实现
- 五、Swin Tranformer
- 六、其他Transformer的改进
-
- 6.1 Hybird ViT
前言
本文主要介绍：注意力机制、自注意力机制、多头注意力机制、ViT、Swin Tranformer、其他Transformer的改进，并配合代码实现。
参考链接：
（饭范仁义-AI编程）https://www.bilibili.com/video/BV1nL4y1j7hA?spm_id_from=333.999.0.0&vd_source=b2549fdee562c700f2b1f3f49065201b
（霹雳巴啦Wz）https://blog.csdn.net/qq_37541097/article/details/117691873
一、注意力机制
1.1注意力机制通俗理解
注意力机制本质上与人类对外界事物的观察机制相似。通常来说，人们在观察外界事物的时候，首先会比较关注比较倾向于观察事物某些重要的局部信息，然后再把不同区域的信息组合起来，从而形成一个对被观察事物的整体印象，实现关注重要有用信息，抑制其他无用信息。
Attention机制最先应用在自然语言处理方面，主要是为了改进文本之间的编码方式，通过编码-解码之后能学习到更好的序列信息。
可以总体上分为两类：
聚焦式（focus）注意力：自上而下的有意识的注意力，主动注意——是指有预定目的、依赖任务的、主动有意识地聚焦于某一对象的注意力；
显著性（saliency-based）注意力：自下而上的有意识的注意力，被动注意——基于显著性的注意力是由外界刺激驱动的注意，不需要主动干预，也和任务无关；可以将max-pooling和门控（gating）机制来近似地看作是自下而上的基于显著性的注意力机制。
在人工神经网络中，注意力机制一般就特指聚焦式注意力。
1.2注意力机制计算公式
现在你可能还看不懂这个公式具体在讲什么，接下来我将详细简明的阐述。
第一阶段，需要三个指定的输入Q(query)，K(key)，V(value)，可以引入不同函数和计算机制，根据Q和K，计算两者的相似性和相关性，d为K的维度dim。
第二阶段，引入类似的softmax的计算方式对第一阶段得分进行数值转换，一方面可以进行归一化，计算所有元素权重之和为1，另一方面可以通过softmax突出元素的权重。
第三阶段，通过计算结果a和V对应的权重系数，然后加权求和得到Attention数值。
(当输入的Q=K=V时，称作自注意力计算规则)。
举个例子：
Q(查询)和K(键)转置进行点乘(对于位置相乘求和)，得到了各项查询的相似度，再除d，得到的是一个实数值，使用softmax将其变为权重(小于1的值)，相似度权重x价值，就是求得的注意力。
1.3注意力机制计算过程
1.Input：输入Q、K、V三个向量；
2.a(i,j)：每个qi分别和不同的kj乘，得a(i,j) = qi · kj；（应该是K的转置）,a(i,j)为一个实数值。
3.除dim：为了梯度的稳定，Transformer使用了归一化，对a(i,j) 除以根号d，（d为k的维度）；
4.softmax：对同一个i的a(i,j) ，施以softmax激活函数；
5.乘V：对于每个i，a(i,j)乘vj后求和，得到加权的每个输入向量ai的注意力评分bi；
q：代表query，后续会去和每一个k进行匹配（相乘）
k：代表key，后续会被每个q匹配（相乘）
v：代表从a 中提取得到的信息
后续q 和k 匹配的过程可以理解成计算两者的相关性，相关性越大对应v 的权重也就越大。
通过上述讲解，我们了解了单个qi是如何求注意力评分bi的，接下来仅需合并成矩阵，进行并行运算，一次求得多个输入的注意力评分矩阵B。
1.Q和K转置进行点乘，除根号d，进softmax，得相关性矩阵
2.相关性矩阵乘V得注意力评分矩阵B
Attention机制的实质其实就是一个寻址（addressing）的过程，如上图所示：给定一个和任务相关的查询Query向量 q，通过计算与Key的注意力分布并附加在Value上，从而计算Attention Value，这个过程实际上是Attention机制缓解神经网络模型复杂度的体现：不需要将所有的N个输入信息都输入到神经网络进行计算，只需要从中选择一些和查询Query相关的信息输入给神经网络。
1.4注意力机制代码
# pytorch实现
import torch
import torch.nn as nn
import torch.nn.functional as F
# 缩放点积注意力
class ScaledDotProductAttention(nn.Module):
''' Scaled Dot-Product Attention '''
def __init__(self, temperature, attn_dropout=0.1):
super().__init__()
# temperature是k的维度dk
self.temperature = temperature
self.dropout = nn.Dropout(attn_dropout)
#外部输入q、k、v
def forward(self, q, k, v, mask=None):
# a = (q/dk) 与 k的转置 矩阵相乘
attn = torch.matmul(q / self.temperature, k.transpose(2, 3))
# 是否进行mask
if mask is not None:
attn = attn.masked_fill(mask == 0, -1e9)
# softmax+dropout得到相似性矩阵
attn = self.dropout(F.softmax(attn, dim=-1))
# 相似性矩阵与v矩阵相乘，得注意力评价矩阵
output = torch.matmul(attn, v)
# 返回:注意力评价矩阵 和 相似性矩阵
return output, attn
二、自注意力机制
2.1 注意力机制和自注意力机制的区别
自注意力机制：Query=Key=Value=输入
传统的Attention：
Q来自于外部，K、V
Q在Decoder目标处，K、V在Encoder源头处self-Attention：
Q、K、V是对自身（self）输入的变换
Q、K、V在同一处（Decoder目标或Encoder源头处）
2.2 编码-译码中的attention
汉译英编码-译码模型：
无attention的编码-译码模型
有attention的编码-译码模型
2.3自注意力机制计算流程
1.Input：输入单词或图片xi；
2.Embedding：将单词、图片转化为转化成嵌入向量ai；
3.Querys、Keys、Values：a分别对Wq、Wk、Wv(这三个参数是可训练的，是共享的)矩阵乘法，得到Q、K、V三个向量；
4.a(i,j)：每个qi分别和不同的kj乘，得a(i,j) = qi · kj；（应该是K的转置）,a(i,j)为一个实数值。
5.除dim：为了梯度的稳定，Transformer使用了归一化，对a(i,j) 除以根号d，（d为k的维度）；
6.softmax：对同一个i的a(i,j) ，施以softmax激活函数；
7.乘V：对于每个i，a(i,j)乘vj后求和，得到加权的每个输入向量ai的注意力评分bi；
矩阵计算：
1.X进行Embeding后得到输入矩阵A
2.A分别与Wq、Wk、Wv相乘得到Q、K、V矩阵
3.Q和K转置进行点乘，除根号d，进softmax，得相关性矩阵
4.相关性矩阵乘V得注意力评分矩阵B
self-attention就是对输入向量的权重进行调整。
三、多头注意力机制
刚刚已经聊完了Self-Attention模块，接下来再来看看Multi-Head Attention模块，实际使用中基本使用的还是Multi-Head Attention模块。其实只要懂了Self-Attention模块Multi-Head Attention模块就非常简单了，多头注意力就是对单头注意力的简单堆叠。
3.1多头注意力机制计算过程
（无embeding操作）
就是和attention类似，将输入X分别通过多组不同的Wqi、Wki、Wvi得到多组不同的Qi、Ki、Vi，然后得到了不同的结果，进行拼接,通过线性层乘Wo得到与输入矩阵维度相等的结果。
3.2 多头自注意力机制计算过程
1.QKV分头：
对得到的qi、ki、vi按n个head（n=2）进行均分为q(i,j)、k(i,j)、v(i,j)，（其中j=1~n）
2.对于每个 j 的q、k、v 是一个头，共分为n个头，如上图的q(i,1)、k(i,1)、v(i,1)是一个head（i=1和2）
3.对每个head，执行self-attention的同样的操作，对每组q(i,j)、k(i,j)、v(i,j)求得 自注意力评分b(i,j).
4. b(i,j)按照二维矩阵 拼接成B，B乘以Wo。（ Wo的作用：是保证multi-head-self-attention输出的向量和输入的长度一致。）
Multi-head-self-attention最终效果：
3.3位置编码
位置编码要和ai相加，则shape的ai一样。
四、Vision Teansformer（ViT）
ViT由3个模块组成：
Linear Projection of Flattened Patches(Embedding层)：Patch embedding+Position embedding+Class token输入Encoder层
Transformer Encoder（Encoder层）：将上图右边的结构重复堆叠L次
MLP Head（最终用于分类的层结构）：只提取Class token的输出，进行得到分类的结果
4.1 Embedding层
对于标准的Transformer模块，要求输入的是token（向量）序列，即二维矩阵[num_token, token_dim]，如下图，token0-token9对应的都是向量，以ViT-B/16为例，每个token向量长度为768。
对于图像数据而言，其数据格式为 [H, W, C] 是三维矩阵明显不是Transformer想要的。所以需要先通过一个Embedding层来对三维数据变换为二维数据。如下图所示，首先将一张图片按给定大小分成一堆Patches（图片块）。
以ViT-B/16为例，将大小224x224的输入图片按照16x16大小的Patch进行划分，划分后会得到196个Patches。接着通过线性映射将每个Patch映射到一维向量中，每个Patche数据shape为[16, 16, 3]通过映射得到一个长度为768的token向量（后面都直接称为token）。[16, 16, 3] -> [768]
在代码实现中，直接通过一个卷积层来实现。 以ViT-B/16为例，直接使用一个卷积核大小为16x16，stride为16，卷积核个数为768的卷积来实现。通过卷积[224, 224, 3] -> [14, 14, 768]，然后把H以及W两个维度展平[W，H，C]->[W*H，C]，如[14, 14, 768] -> [196, 768]，此时正好变成了一个二维矩阵，正是Transformer想要的。
在输入Transformer Encoder之前注意需要加上图片类别 [class]token 放在positoin=0处以及叠加Position Embedding。 以ViT-B/16为例，就是一个长度为768的向量，与之前从图片中生成的tokens拼接在一起，Cat([1, 768], [196, 768]) -> [197, 768]。然后关于Position Embedding就是之前Transformer中讲到的Positional Encoding，这里的Position Embedding采用的是一个可训练的参数是直接叠加在tokens上的（add），所以shape要一样。以ViT-B/16为例，刚刚拼接[class]token后shape是[197, 768]，那么这里的Position Embedding的shape也是[197, 768]。对于Position Embedding作者也有做一系列对比试验，在源码中默认使用的是1D Pos. Emb。
图片中每个patch求得的token 都有一个位置编码，这些位置编码彼此间的余弦相似度如上图。黄色相似度高，蓝色相似度低。亮点就是对应该token的位置编码在原图中的位置。这就是最终学习到的位置编码。
4.2 Encoder层
Transformer Encoder其实就是堆叠Encoder Block重复 L次，Encoder Block，主要由以下几部分组成：
·Layer Norm，这种Normalization方法主要是针对NLP领域提出的，这里是对每个token进行Norm处理。
·Multi-Head Attention，这个结构之前在讲Transformer中很详细的讲过，不再赘述。
·Dropout/DropPath，在原论文的代码中是直接使用的Dropout层，在但实现代码中使用的是DropPath（stochastic depth），可能后者会更好一点。（不了解Droppath的可以看这篇介绍Droppath通俗易懂）
·MLP Block，如上图右侧所示，就是全连接+GELU激活函数+Dropout组成也非常简单，需要注意的是第一个全连接层会把输入节点个数翻4倍[197, 768] -> [197, 3072]，第二个全连接层会还原回原节点个数[197, 3072] -> [197, 768]
·残差结构， 将输入与dropout层输出相加。
4.3 MLP Head层
其中pre-logits就是一个全连接层+tanh激活函数。
下图是ViT-B/16的一个总体结构：
4.4 ViT代码实现
"""
original code from rwightman:
https://github.com/rwightman/pytorch-image-models/blob/master/timm/models/vision_transformer.py
"""
from functools import partial
from collections import OrderedDict
import torch
import torch.nn as nn
def drop_path(x, drop_prob: float = 0., training: bool = False):
if drop_prob == 0. or not training:
return x
keep_prob = 1 - drop_prob
shape = (x.shape[0],) + (1,) * (x.ndim - 1) # work with diff dim tensors, not just 2D ConvNets
random_tensor = keep_prob + torch.rand(shape, dtype=x.dtype, device=x.device)
random_tensor.floor_() # binarize
output = x.div(keep_prob) * random_tensor
return output
class DropPath(nn.Module):
"""
Drop paths (Stochastic Depth) per sample (when applied in main path of residual blocks).
"""
def __init__(self, drop_prob=None):
super(DropPath, self).__init__()
self.drop_prob = drop_prob
def forward(self, x):
return drop_path(x, self.drop_prob, self.training)
# PatchEmbedding层(通过卷积实现)
class PatchEmbed(nn.Module):
"""
2D Image to Patch Embedding
"""
def __init__(self, img_size=224, patch_size=16, in_c=3, embed_dim=768, norm_layer=None):
super().__init__()
img_size = (img_size, img_size) # img_size图片大小
patch_size = (patch_size, patch_size) # patch_size图像块大小(也是卷积核大小)
self.img_size = img_size
self.patch_size = patch_size
self.grid_size = (img_size[0] // patch_size[0], img_size[1] // patch_size[1]) # //表取整除
self.num_patches = self.grid_size[0] * self.grid_size[1]
# 定义卷积层proj，in_c输入通道数(rgb3通道),embed_dim卷积核个数(卷积层输出通道数)
self.proj = nn.Conv2d(in_c, embed_dim, kernel_size=patch_size, stride=patch_size)
# 如果norm_layer不为空,则进行正则化，
self.norm = norm_layer(embed_dim) if norm_layer else nn.Identity()
def forward(self, x):
# 输入图像X
# assert检查输入图像大小，B(batch_size), C(channel), H(height), W(weight)
B, C, H, W = x.shape
assert H == self.img_size[0] and W == self.img_size[1], \
f"Input image size ({H}*{W}) doesn't match model ({self.img_size[0]}*{self.img_size[1]})."
# proj(卷积)
# flatten(压平H,W): [B, C, H, W] -> [B, C, HW]
# transpose(交换后两维): [B, C, HW] -> [B, HW, C]
x = self.proj(x).flatten(2).transpose(1, 2)
x = self.norm(x)
return x
# Encoder Block中的MultiHead-Self-Attention层
class Attention(nn.Module):
def __init__(self,
dim, # 输入token的dim
num_heads=8, # head数
qkv_bias=False, # 生成qkv不用bais
qk_scale=None, # None时使用:根号dk分之一
attn_drop_ratio=0., # dropout率
proj_drop_ratio=0.): # dropout率
super(Attention, self).__init__()
self.num_heads = num_heads
head_dim = dim // num_heads # 分头:计算每个head均分得到的q,k,v个数
self.scale = qk_scale or head_dim ** -0.5 # qk_scale是根号下head_dim分之一，就是q*k转置后乘的那个：根号dk分之一
self.qkv = nn.Linear(dim, dim * 3, bias=qkv_bias) # 通过qkv全连接层：(q,k,v)=X·(Wq,Wk,Wv)，一次并行求得qkv
# 全连接层：in_features输入特征个数=dim，out_features输出特征个数（全连接层节点个数）=dim*3
self.attn_drop = nn.Dropout(attn_drop_ratio)
self.proj = nn.Linear(dim, dim) # 通过proj全连接层：B=B·Wo，进行bij->bi拼接后的映射
self.proj_drop = nn.Dropout(proj_drop_ratio)
def forward(self, x):
# [batch_size, num_patches + 1, total_embed_dim]
# （num_patches + 1的1是class token，num_patches + 1个向量大小都是total_embed_dim）
B, N, C = x.shape
# qkv(): -> [batch_size, num_patches + 1, 3 * total_embed_dim]
# reshape分qkv分头: -> [batch_size, num_patches + 1, 3, num_heads, embed_dim_per_head]
# permute调序: -> [3, batch_size, num_heads, num_patches + 1, embed_dim_per_head]
qkv = self.qkv(x).reshape(B, N, 3, self.num_heads, C // self.num_heads).permute(2, 0, 3, 1, 4)
# 切片q、k、v，都是[batch_size, num_heads, num_patches + 1, embed_dim_per_head]
q, k, v = qkv[0], qkv[1], qkv[2] # make torchscript happy (cannot use tensor as tuple)
# transpose:原q、k、v-> [batch_size, num_heads, embed_dim_per_head, num_patches + 1]
# @ 矩阵乘法: 多维矩阵乘法只乘最后两维 -> [batch_size, num_heads, num_patches + 1, num_patches + 1]
# q乘k转置，乘根号dk
attn = (q @ k.transpose(-2, -1)) * self.scale
# dim=-1表示attn在每一行进行softmax处理
attn = attn.softmax(dim=-1)
attn = self.attn_drop(attn)
# @ 矩阵乘法： -> [batch_size, num_heads, num_patches + 1, embed_dim_per_head]
# transpose: -> [batch_size, num_patches + 1, num_heads, embed_dim_per_head]
# reshape: -> [batch_size, num_patches + 1, total_embed_dim]
# softmax(qk相似度) 乘 v，reshape进行bij->bi的拼接映射
x = (attn @ v).transpose(1, 2).reshape(B, N, C)
# 通过proj全连接层：B=B·Wo映射
x = self.proj(x)
x = self.proj_drop(x)
return x
# Encoder Block中的MLP（两个全连接层）
class Mlp(nn.Module):
"""
MLP as used in Vision Transformer, MLP-Mixer and related networks
"""
# in_features输入特征个数，hidden_features第一个全连接层节点个数，out_features第二个全连接层节点个数，act_layer激活函数
def __init__(self, in_features, hidden_features=None, out_features=None, act_layer=nn.GELU, drop=0.):
super().__init__()
out_features = out_features or in_features # out_features=None，in_features
hidden_features = hidden_features or in_features # 同上
self.fc1 = nn.Linear(in_features, hidden_features)
self.act = act_layer() # GELU激活函数
self.fc2 = nn.Linear(hidden_features, out_features)
self.drop = nn.Dropout(drop)
def forward(self, x):
x = self.fc1(x)
x = self.act(x)
x = self.drop(x)
x = self.fc2(x)
x = self.drop(x)
return x
# Encoder Block
class Block(nn.Module):
def __init__(self,
dim, # token 的dim
num_heads, # head数
mlp_ratio=4., # mlp中第一个全连接层的节点个数是输入的4倍
qkv_bias=False, # 是否使用bias
qk_scale=None, # 根号dk分之一
drop_ratio=0., # attention中的drop_out率
attn_drop_ratio=0., # attention中的drop_out率
drop_path_ratio=0., # Encoder Block中的drop_path率
act_layer=nn.GELU, # 激活函数
norm_layer=nn.LayerNorm): # normalization使用LayerNorm
super(Block, self).__init__()
# 实例化LayerNorm层
self.norm1 = norm_layer(dim)
# 实例化Attention层
self.attn = Attention(dim, num_heads=num_heads, qkv_bias=qkv_bias, qk_scale=qk_scale, attn_drop_ratio=attn_drop_ratio, proj_drop_ratio=drop_ratio)
# NOTE: drop path for stochastic depth, we shall see if this is better than dropout here
# 实例化DropPath层
self.drop_path = DropPath(drop_path_ratio) if drop_path_ratio > 0. else nn.Identity()
# 实例化LayerNorm层
self.norm2 = norm_layer(dim)
mlp_hidden_dim = int(dim * mlp_ratio)
# 实例化Mlp层
self.mlp = Mlp(in_features=dim, hidden_features=mlp_hidden_dim, act_layer=act_layer, drop=drop_ratio)
def forward(self, x):
# 这里的+=都引入了恒等映射的残差思想
x = x + self.drop_path(self.attn(self.norm1(x)))
x = x + self.drop_path(self.mlp(self.norm2(x)))
return x
# ViT
class VisionTransformer(nn.Module):
def __init__(self, img_size=224, patch_size=16, in_c=3, num_classes=1000,
embed_dim=768, depth=12, num_heads=12, mlp_ratio=4.0, qkv_bias=True,
qk_scale=None, representation_size=None, distilled=False, drop_ratio=0.,
attn_drop_ratio=0., drop_path_ratio=0., embed_layer=PatchEmbed, norm_layer=None,
act_layer=None):
"""
Args:
img_size (int, tuple): input image size
patch_size (int, tuple): patch size
in_c (int): number of input channels
num_classes (int): number of classes for classification head
embed_dim (int): embedding dimension，patch embedding层卷积核个数
depth (int): 是Encoder重复次数，depth of transformer
num_heads (int): number of attention heads
mlp_ratio (int): ratio of mlp hidden dim to embedding dim
qkv_bias (bool): enable bias for qkv if True
qk_scale (float): override default qk scale of head_dim ** -0.5 if set
representation_size (Optional[int]):是否构建MLP层的pre-logits，enable and set representation layer (pre-logits) to this value if set
distilled (bool): 为了兼容搭建DeiT的参数，model includes a distillation token and head as in DeiT models
drop_ratio (float): dropout rate
attn_drop_ratio (float): attention dropout rate
drop_path_ratio (float): stochastic depth rate
embed_layer (nn.Module): patch embedding layer
norm_layer: (nn.Module): normalization layer
"""
super(VisionTransformer, self).__init__()
self.num_classes = num_classes # 分类数
self.num_features = self.embed_dim = embed_dim # num_features for consistency with other models
self.num_tokens = 2 if distilled else 1 # num_tokens默认为1
norm_layer = norm_layer or partial(nn.LayerNorm, eps=1e-6) # normalization默认为LayerNorm
# partial函数的功能就是：把一个函数的某些参数给默认固定住，返回一个新的函数
act_layer = act_layer or nn.GELU # activate function默认为GELU
# patch_embed层
self.patch_embed = embed_layer(img_size=img_size, patch_size=patch_size, in_c=in_c, embed_dim=embed_dim)
num_patches = self.patch_embed.num_patches
# class token初始化第一个1是batch_size
self.cls_token = nn.Parameter(torch.zeros(1, 1, embed_dim))
# 不用管DeiT模型的dist_token
self.dist_token = nn.Parameter(torch.zeros(1, 1, embed_dim)) if distilled else None
# Position embedding位置编码初始化
self.pos_embed = nn.Parameter(torch.zeros(1, num_patches + self.num_tokens, embed_dim))
# dropout层
self.pos_drop = nn.Dropout(p=drop_ratio)
# 生成一个drop_path率的序列dpr，共depth个，大小从0到drop_path_ratio递增
dpr = [x.item() for x in torch.linspace(0, drop_path_ratio, depth)] # stochastic depth decay rule
# 构建depth个连续的Encoder block
self.blocks = nn.Sequential(*[
Block(dim=embed_dim, num_heads=num_heads, mlp_ratio=mlp_ratio, qkv_bias=qkv_bias, qk_scale=qk_scale,
drop_ratio=drop_ratio, attn_drop_ratio=attn_drop_ratio, drop_path_ratio=dpr[i],
norm_layer=norm_layer, act_layer=act_layer)
for i in range(depth)
])
# Encoder block后的norm_layer
self.norm = norm_layer(embed_dim)
# Representation layer是否构建MLP层的pre-logits
if representation_size and not distilled:
self.has_logits = True
self.num_features = representation_size
# pre-logits就是一个全连接层+tanh激活函数
# embed_dim输入节点个数，representation_size输出节点个数
self.pre_logits = nn.Sequential(OrderedDict([
("fc", nn.Linear(embed_dim, representation_size)),
("act", nn.Tanh())
]))
else:
self.has_logits = False
self.pre_logits = nn.Identity()
# Classifier head(s)，最后一层全连接层分类，num_features输入节点个数，num_classes输出节点个数
self.head = nn.Linear(self.num_features, num_classes) if num_classes > 0 else nn.Identity()
# 后面不用看，是DeiT模型的
self.head_dist = None
if distilled:
self.head_dist = nn.Linear(self.embed_dim, self.num_classes) if num_classes > 0 else nn.Identity()
# Weight init，初始化pos_embed
# trunc_normal_利用正态分布生成一个点，点在[a, b]区间之内
nn.init.trunc_normal_(self.pos_embed, std=0.02)
# 后面不用看，是DeiT模型的
if self.dist_token is not None:
nn.init.trunc_normal_(self.dist_token, std=0.02)
# Weight init，初始化cls_token
nn.init.trunc_normal_(self.cls_token, std=0.02)
# 调用vit初始函数
self.apply(_init_vit_weights)
def forward_features(self, x):
# patch embedding
# [B, C, H, W] -> [B, num_patches, embed_dim]
x = self.patch_embed(x) # [B, 196, 768]
# class token
# [1, 1, 768] -> [B, 1, 768]
cls_token = self.cls_token.expand(x.shape[0], -1, -1)
# concat拼接cls_token和patch_token
# ViT中dist_token为None，执行第一个
if self.dist_token is None: # ViT中dist_token为None
x = torch.cat((cls_token, x), dim=1) # [B, 197, 768]
else:
x = torch.cat((cls_token, self.dist_token.expand(x.shape[0], -1, -1), x), dim=1)
# 加上位置编码position embedding
x = self.pos_drop(x + self.pos_embed)
# 现在的token=[class + patch]+ position
# encoder block层
x = self.blocks(x)
# normalization层
x = self.norm(x)
# MPL的pre_logits
# ViT中dist_token为None，执行第一个
if self.dist_token is None:
return self.pre_logits(x[:, 0]) # 只返回class token输出的列
else:
return x[:, 0], x[:, 1]
def forward(self, x):
# 返回class token输出的列
x = self.forward_features(x)
# head_dist为None，执行else
if self.head_dist is not None:
x, x_dist = self.head(x[0]), self.head_dist(x[1])
if self.training and not torch.jit.is_scripting():
# during inference, return the average of both classifier predictions
return x, x_dist
else:
return (x + x_dist) / 2
else:
x = self.head(x) # 最后的全连接层输出分类结果
return x
def _init_vit_weights(m):
"""
ViT weight initialization
:param m: module
"""
if isinstance(m, nn.Linear):
nn.init.trunc_normal_(m.weight, std=.01)
if m.bias is not None:
nn.init.zeros_(m.bias)
elif isinstance(m, nn.Conv2d):
nn.init.kaiming_normal_(m.weight, mode="fan_out")
if m.bias is not None:
nn.init.zeros_(m.bias)
elif isinstance(m, nn.LayerNorm):
nn.init.zeros_(m.bias)
nn.init.ones_(m.weight)
# 至此我们已经完成了ViT所有模块的编写
# ——————————————————————————————————————————————————————————————————————————————————————————————————————————————————————
def vit_base_patch16_224(num_classes: int = 1000):
"""
ViT-Base model (ViT-B/16) from original paper (https://arxiv.org/abs/2010.11929).
ImageNet-1k weights @ 224x224, source https://github.com/google-research/vision_transformer.
weights ported from official Google JAX impl:
链接: https://pan.baidu.com/s/1zqb08naP0RPqqfSXfkB2EA 密码: eu9f
"""
model = VisionTransformer(img_size=224,
patch_size=16,
embed_dim=768,
depth=12,
num_heads=12,
representation_size=None,
num_classes=num_classes)
return model
def vit_base_patch16_224_in21k(num_classes: int = 21843, has_logits: bool = True):
"""
ViT-Base model (ViT-B/16) from original paper (https://arxiv.org/abs/2010.11929).
ImageNet-21k weights @ 224x224, source https://github.com/google-research/vision_transformer.
weights ported from official Google JAX impl:
https://github.com/rwightman/pytorch-image-models/releases/download/v0.1-vitjx/jx_vit_base_patch16_224_in21k-e5005f0a.pth
"""
model = VisionTransformer(img_size=224,
patch_size=16,
embed_dim=768,
depth=12,
num_heads=12,
representation_size=768 if has_logits else None,
num_classes=num_classes)
return model
def vit_base_patch32_224(num_classes: int = 1000):
"""
ViT-Base model (ViT-B/32) from original paper (https://arxiv.org/abs/2010.11929).
ImageNet-1k weights @ 224x224, source https://github.com/google-research/vision_transformer.
weights ported from official Google JAX impl:
链接: https://pan.baidu.com/s/1hCv0U8pQomwAtHBYc4hmZg 密码: s5hl
"""
model = VisionTransformer(img_size=224,
patch_size=32,
embed_dim=768,
depth=12,
num_heads=12,
representation_size=None,
num_classes=num_classes)
return model
def vit_base_patch32_224_in21k(num_classes: int = 21843, has_logits: bool = True):
"""
ViT-Base model (ViT-B/32) from original paper (https://arxiv.org/abs/2010.11929).
ImageNet-21k weights @ 224x224, source https://github.com/google-research/vision_transformer.
weights ported from official Google JAX impl:
https://github.com/rwightman/pytorch-image-models/releases/download/v0.1-vitjx/jx_vit_base_patch32_224_in21k-8db57226.pth
"""
model = VisionTransformer(img_size=224,
patch_size=32,
embed_dim=768,
depth=12,
num_heads=12,
representation_size=768 if has_logits else None,
num_classes=num_classes)
return model
def vit_large_patch16_224(num_classes: int = 1000):
"""
ViT-Large model (ViT-L/16) from original paper (https://arxiv.org/abs/2010.11929).
ImageNet-1k weights @ 224x224, source https://github.com/google-research/vision_transformer.
weights ported from official Google JAX impl:
链接: https://pan.baidu.com/s/1cxBgZJJ6qUWPSBNcE4TdRQ 密码: qqt8
"""
model = VisionTransformer(img_size=224,
patch_size=16,
embed_dim=1024,
depth=24,
num_heads=16,
representation_size=None,
num_classes=num_classes)
return model
def vit_large_patch16_224_in21k(num_classes: int = 21843, has_logits: bool = True):
"""
ViT-Large model (ViT-L/16) from original paper (https://arxiv.org/abs/2010.11929).
ImageNet-21k weights @ 224x224, source https://github.com/google-research/vision_transformer.
weights ported from official Google JAX impl:
https://github.com/rwightman/pytorch-image-models/releases/download/v0.1-vitjx/jx_vit_large_patch16_224_in21k-606da67d.pth
"""
model = VisionTransformer(img_size=224,
patch_size=16,
embed_dim=1024,
depth=24,
num_heads=16,
representation_size=1024 if has_logits else None,
num_classes=num_classes)
return model
def vit_large_patch32_224_in21k(num_classes: int = 21843, has_logits: bool = True):
"""
ViT-Large model (ViT-L/32) from original paper (https://arxiv.org/abs/2010.11929).
ImageNet-21k weights @ 224x224, source https://github.com/google-research/vision_transformer.
weights ported from official Google JAX impl:
https://github.com/rwightman/pytorch-image-models/releases/download/v0.1-vitjx/jx_vit_large_patch32_224_in21k-9046d2e7.pth
"""
model = VisionTransformer(img_size=224,
patch_size=32,
embed_dim=1024,
depth=24,
num_heads=16,
representation_size=1024 if has_logits else None,
num_classes=num_classes)
return model
def vit_huge_patch14_224_in21k(num_classes: int = 21843, has_logits: bool = True):
"""
ViT-Huge model (ViT-H/14) from original paper (https://arxiv.org/abs/2010.11929).
ImageNet-21k weights @ 224x224, source https://github.com/google-research/vision_transformer.
NOTE: converted weights not currently available, too large for github release hosting.
"""
model = VisionTransformer(img_size=224,
patch_size=14,
embed_dim=1280,
depth=32,
num_heads=16,
representation_size=1280 if has_logits else None,
num_classes=num_classes)
return model
五、Swin Tranformer
六、其他Transformer的改进
6.1 Hybird ViT
先用Resnet50特征提取，再用ViT进一步处理分类。
其中Resnet50部分做出了一些修改;
epoch较多时，混合模型模型反而效果不如纯正的ViT。