Vision Transformer模型与预训练权重简析

提示：文章写完后，目录可以自动生成，如何生成可参考右边的帮助文档

文章目录

前言

一、ViT原理图

二、算法实现过程

三 、ViT-B/16结构详图

四、ViT-B/16预训练权重简析

总结

---

---

前言

ViT (Vision Transformer) 是首次成功将 Transformer引入到视觉领域的尝试，开辟了视觉Transformer的先河。这里先对ViT的原理进行阐述，并对预训练文件ViT-B_16.npz的内容做一个简要介绍。

一、ViT原理图

ViT (Vision Transformer) 是首次成功将 Transformer引入到视觉领域的尝试，开辟了视觉Transformer的先河。其原理如图1所示。

图1 ViT原理图 

如图1所示，ViT将一张图片拆分成9个patch，增加一个用于分类的patch（星号），图中的数字0,1,2，…，8,9用于记录图片的位置信息。

图片分类中通常不需要解码器模块，所以这里只需关注编码器部分，其中主要包括：位置编码模块Positional Encoding、多头自注意力模块Muti-Head Attention、前向网络模块 Feed Forward (MLP) 以及必要的Norm、Dropout 和残差模块等。各模快的功能简介如下：

 （1）位置编码模块Positional Encoding：用于给输入的序列增加额外的位置信息。

 （2）多头自注意力模块 Muti-Head Attention：用于计算全局空间注意力。

 （3）前向网络模块 Feed Forward（MLP）：用于对通道维度信息进行混合。

 （4）Norm、Dropout 和残差模块：提供了更好的收敛速度和性能。

二、算法实现过程

2.1 实现过程

首先，将图片分成无重叠的固定大小 Patch (例如16x16)，然后将每个 Patch 拉成一维向量，n个Patch相当于NLP中的输入序列长度。假设输入图片是 224x224x3，每个 patch大小是16x16，则n是(224/16)2 =196。而一维向量长度等价于词向量编码长度，等于(图片通道数3)x(patch的大小)= 3 x16 x 16=768, 即每个序列的向量长度是768)。

其次，考虑到一维向量维度较大（196），需要将拉伸后的 Patch序列经过线性投影 ( nn.Linear ) 压缩维度（本模型未压缩维度），同时也可以实现特征变换功能，这两个步骤可以称为图片 Token化过程 (Patch Embedding)。为了方便后续分类，还额外引入一个可学习的 Class Token，该 Token 插入到图片 token 化后所得序列的开始位置。

然后，将上述序列加上可学习的位置编码并输入到 N个串行的 Transformer 编码器中进行全局注意力计算和特征提取，其中内部的多头自注意模块用于进行 Patch间或者序列间特征提取，而后面的 Feed Forward (Linear+ GELU+Dropout+ Linear+ Dropout) 模块对每个Patch或者序列进行特征变换。

最后，将最后一个Transformer编码器输出序列的第0位置( Class Token位置对应输出)提取出来，后面接MLP分类后，然后正常分类即可。

2.2 实现过程的张量维度变化

对于标准的Transformer模型，要求输入的应该是token（向量）序列，即二维矩阵[num_token, token_dim]。其中，num_token表示token长度，如前述的196，token_dim表示每个token的编码成度，也叫embedding长度，如前述的768。

在代码实现中，直接通过一个二维卷积层实现，如本模型ViT-B/16,使用卷积核大小16 x16，stride为16，卷积核个数为768,然后展平变成二维张量。计算过程的维度变化如下：

[224,224,3] -> [14,14,768]-> [196,768]

在输入Transformer Encoder之前，需要加上[class] token以及位置编码position embedding，两者都是可训练参数。在patch token序列上拼接class token，然后加上位置编码，计算过程及维度变化如下：

拼接[class] token：cat ([1,768], [196,768] ) à [197,768]

叠加Position Embedding：[196,768] à [197,768]

然后，这个叠加后的数据就可以输入Transformer Encoder层进行自注意力计算和特征提取。 

三 、ViT-B/16结构详图

3.1 模型整体结构图

Vit-B/16模型的结构如图2所示，右侧的运算紧接左侧进行。注：Transformer Encoder 前有一个Dropout层，后有一个Layer Norm层。训练自己的网络时，可简单将MLP Head层看作一个全连接层。

图2 Vit-B/16模型结构图

3.2 模型结构详图

模型结构包括了两个主要部分，即Encoder Block和MLP Block。

（1）Encoder Block结构

Encoder Block结构中，接收经过Position Embedding叠加后的Patch Embedding张量，先后执行两个带残差处理的模块。第一模块中，经过Layer Normalization -> Multi head Attention -> Dropout，并进行残差处理。第二部分，经过Layer Normalization -> MLP Block -> Dropout，并进行残差处理。处理后的张量维度不变，也为[197, 768]。

图3 Encoder Block结构

（2）MLP Block结构

MLP Block模快含有两层Feed Forward Network，具体包含Linear、激活函数GELU、Dropout、Linear、Dropout等子模块，完成每个Patch或者序列的特征变换。

图4 MLP Block结构图

四、ViT-B/16预训练权重简析

ViT-B/16的预训练权重ViT-B_16.npz，这是一个numpy数组的压缩文件，可用numpy.load函数打开。

   import numpy as np

    vitfile = np.load(‘ViT-B_16.npz’)

    vitfile.files     #显示权重文件包含了数组名

    vitfile[‘cls’]    #查看数组cls的内容，cls为Numpy数组名

    vitfile[‘cls’].shape   #查看数组cls的维度

权重文件结构：

如前所示，ViT-B/16包括了位置编码模块Positional Encoding、多头自注意力模块Muti-Head Attention、前向网络模块 Feed Forward 以及必要的Norm、Dropout和残差模块。其中，ViT-B/16网络的Transformer Encoder堆叠了12层（L=12）Encoder，即有12个Encoder Block。因此，权重文件数组名及其维度如下：

（1）图像Patch Embedding

'embedding/bias'    #embedding偏置，维度(768,)

'embedding/kernel'  #embedding权重，维度(16,16,3,768,)—kernel size，stride，in-channel，out-channel。权重数据在方框中的模块中。

（2）分类Token（Class Token）

'cls'    #分类Token，维度为(1, 1, 768)

 

 （3）位置编码

'Transformer/posembed_input/pos_embedding'  #位置编码, 维度为(1, 577, 768) 。代码中会调整至(1, 197, 768)。

 （4）Transformer Encoder模快

由于ViT-B/16的Transformer Encoder共有12个Encoder Block，序号为0-11，其结构相同，这里以第0个Encoder Block权重为例介绍。（#号后数字是维度信息）

   'Transformer/encoderblock_0/LayerNorm_0/bias'   # (768,)

   'Transformer/encoderblock_0/LayerNorm_0/scale'  # (768,)

   'Transformer/encoderblock_0/LayerNorm_2/bias'   # (768,) 

   'Transformer/encoderblock_0/LayerNorm_2/scale'  # (768,)

   'Transformer/encoderblock_0/MlpBlock_3/Dense_0/bias'    # (3072,)

   'Transformer/encoderblock_0/MlpBlock_3/Dense_0/kernel'  # (768, 3072)

   'Transformer/encoderblock_0/MlpBlock_3/Dense_1/bias'    # (768,)

   'Transformer/encoderblock_0/MlpBlock_3/Dense_1/kernel'  # (3072, 768)

   'Transformer/encoderblock_0/MultiHeadDotProductAttention_1/key/bias'   # (12, 64)

   'Transformer/encoderblock_0/MultiHeadDotProductAttention_1/key/kernel'  # (768, 12, 64)

   'Transformer/encoderblock_0/MultiHeadDotProductAttention_1/out/bias'  # (768,)

   'Transformer/encoderblock_0/MultiHeadDotProductAttention_1/out/kernel'  #(12, 64, 768)

   'Transformer/encoderblock_0/MultiHeadDotProductAttention_1/query/bias'  # (12, 64)

   'Transformer/encoderblock_0/MultiHeadDotProductAttention_1/query/kernel'  #(768, 12, 64)

   'Transformer/encoderblock_0/MultiHeadDotProductAttention_1/value/bias'  #(12, 64)

   'Transformer/encoderblock_0/MultiHeadDotProductAttention_1/value/kernel'  #(768, 12, 64)

（5）Transformer Encoder之后的Layer Norm层

'Transformer/encoder_norm/bias', 维度：(768,)

'Transformer/encoder_norm/scale', 维度：(768,)

 

（6）MLP Head模块

'head/bias',   #分类头偏置，维度：(1000,)

'head/kernel'  #分类头权重，维度：(768, 1000)，分类数为1000.

总结

本文仅仅简单介绍了Transformer Vision的基本原理，并对ViT-B/16 网络结构和权重数据进行了简单介绍。

参考文献：

Transformer Vision（二）|| ViT-B/16 网络结构_Anthony_CH的博客-CSDN博客

https://arxiv.org/abs/2010.11929