【Transformer学习笔记】VIT解析

很久以前科学家做过一个生物实验，发现视觉神经元同样可以被训练来作听觉神经元之用。受此启发，不少计算机研究者也在寻找着机器学习领域的大一统–将CV任务和NLP任务使用相同或者类似的结构进行建模。

随着transformer在nlp领域已经杀出了一片天，便有研究者想用它来进军cv领域。Vit，vision transformer正是在此道路上跨出的一大步。

transformer是世界上最好的结构！（误）

原文地址

VIT整体结构

论文中的结构图还是十分简单易懂的，相信如果之前接触过Transformer系列，那么看懂这张图不是难事。

首先和在nlp领域中的应用一大不同，就是VIT只有encoder编码层，没有decoder。第二个不同可能就是输入从字符变成了切碎的图片。

其他的embedding（也就是linear projection）和position embedding，muti-head attention基本都是熟悉的配方。

输入转换

首先看输入，不同于cnn中滑动窗口式的卷积，VIT中直接采用了non-overlapping的分割方式，将一张图片分割成很多个大小一致的patches。

transformer系列的输入都很有意思。即使patches在一开始的时候是一个个图片块，也就是矩阵，最后为了向nlp中的词向量的表示看齐，都会被拉成条（flatten）。

即使图片有3通道，这三个通道也要被拉平后拼接。如下公式。
$$H\times W\times C\to N\times (P^{2}C)$$
其中H，W，C分别是图片的高，宽，通道。N是patches的总数，$(P,P)$是patches的大小。

这个公式的意思就是每个三维的图片块最后都被拉成一条了。

之后经过linear projection层进行映射，就得到了一个$N\times D$大小的输入，同样，此处省略了batchsize。

位置编码

NLP中的位置编码用来记住词语的上下文关系，VIT中的位置编码同样也是为了记住图片之间的相对位置关系。

值得一提的是，VIT中仿照BERT的做法，加了一个classification patch，作为额外的输入。其大小为$1\times D$，和经过了linear projection的patch大小一致。这个patch加在了最前头。所以最终进入位置编码实际上有$N+1$个patches。

论文中使用的是可学习的一维位置编码，其实就是初始化了一个可学习的随机变量，加到了原本的输入上。

attention

VIT的encoder基本可以说是完全照搬了NLP中encoder的结构了，堆叠了很多层，每层执行一次多头注意力机制。
MLP其实也只是换了一个名字，所做的也是先升维再降维。
具体的可以看我的上一篇文章，里面有注意力机制的详解。
【Transformer学习笔记】Transformer开山之作: Attention is All you Need
如果把每层都看作一个黑盒子，其实encoder做的就是信息的融合，把每个patches的表示和其他所有patches进行融合，达到全局视野的效果。每层的输入和输出大小不变。

分类头

最后面的classification层中，并没有取所有的patches作为输入，因为在多头注意力机制中，每个patch其实都已经融合了所有的patches的信息，因此此处只取了一个，也就是前面提到的classification patch映射到物体种类数量进行分类。

总结

VIT将transformer引入了CV领域，并且对比现有的CNN方法，也在各类数据集上取得了不错的成果。

但是VIT只在分类work的比较好，因为它虽然有全局性，但是图片的平移不变形和尺度不变形它基本就没办了。

此外，它的计算复杂度也是比较惊人的，因为它的编码是像素级的，所以计算量会随着图片大小二次方地增长。