ViT Patch Embedding理解

ViT(Vision Transformer)中的Patch Embedding用于将原始的2维图像转换成一系列的1维patch embeddings。

假设输入图像的维度为HxWxC，分别表示高，宽和通道数。

Patch Embeeding操作将输入图像分成N个大小为的patch，并reshape成维度为Nx()的patches块,。其中，表示分别在二维图像的宽和高上按P进行划分，每个patch块的维度为​​​​​​，再通过线性变换将patches投影到维度为D的空间上，也就是直接将原来大小为HxWxC的二维图像展平成N个大小为的一维向量，。

上述的操作等价于对输入图像HxWxC执行一个内核大小为PxP，步长为P的卷积操作（虽然等价，但是ViT逻辑上并不包含任何卷积操作）。

卷积的输出计算公式为，将输入图像的宽和高分别带入得到

，，相乘之后就得到N，等价于将输入图像划分成N个大小为的patch块。

代码如下：

class PatchEmbed(nn.Module):
  """
    Image to Patch Embedding
  """

  def __init__(self, img_size=224, patch_size=16, in_chans=3, embed_dim=768):
    super().__init__()
    img_size = (img_size, img_size)
    patch_size = (patch_size, patch_size)
    num_patches = (img_size[1] // patch_size[1]) * (img_size[0] // patch_size[0])
    self.img_size = img_size
    self.patch_size = patch_size
    self.num_patches = num_patches

    # 
    # embed_dim表示切好的图片拉成一维向量后的特征长度
    # 
    # 图像共切分为N = HW/P^2个patch块
    # 在实现上等同于对reshape后的patch序列进行一个PxP且stride为P的卷积操作
    # output = {[(n+2p-f)/s + 1]向下取整}^2
    # 即output = {[(n-P)/P + 1]向下取整}^2 = (n/P)^2
    # 
    self.proj = nn.Conv2d(in_chans, embed_dim, kernel_size=patch_size, stride=patch_size)

  def forward(self, x):
    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]})."
    x = self.proj(x).flatten(2).transpose(1, 2)
    return x  # x.shape is [8, 196, 768]

其中卷积操作self.proj之后接着一步flatten(2)展平操作，表示将patch投影到维度为的空间上。最后进行转置操作，表示输入图像经过转换后生成长度为196(14*14，表示共有196个patches)，维度为768(3*16*16)的特征向量。

参考：

"未来"的经典之作ViT：transformer is all you need! - 知乎