文章目錄

• • 一、背景和動機
  • 二、方法
  • 三、效果
  • 四、Vision Transformer 學習到圖像的哪些特征了
  • 五、代碼

代碼鏈接：https://github.com/lucidrains/vit-pytorch

論文連接：https://openreview.net/pdf?id=YicbFdNTTy

一、背景和動機

Transformer 在 NLP 領域取得了很好的效果，但在計算機視覺領域還沒有很多應用，所以作者想要借鑒其在 NLP 中的方法，在計算機視覺的分類任務中進行使用。

二、方法

由于 Transformer 在 NLP 中使用時，都是接受一維的輸入，而圖像是二維的結構，所以需要先把圖像切分成大小相等的patch，然后再編碼成一個序列，送入 Transformer

Vision Transformer 的過程：

1、輸入圖像分割成 patch，并使用可學習的線性變換將其拉伸成 D 維，為輸入 Transformer 做準備

• 首先，輸入圖像為 $x\in R^{H\times W\times C}$，將其 reshape 為 $x_p\in RN\times (P^{2}C)$，切分后的 patch 大小為 $P\times P$，$N=HW/P^2$ 為 patch 的個數。這里，$N$ 也掌握著 Transformer 的效率。

• Transformer 在每層都使用維度大小為 $D$ 的向量輸入，所以在送入 Transformer 之前，會使用可學習的線性影射（公式1）來將拉平的 patch 信息轉換為 D 維。

• 輸入：3x224x224

• patch 大小 $P$：32x32

• patch 個數 $N$：7x7=49

• D：128

2、給 D 維的 Transformer 輸入后面連接一個 class token

將輸入編碼成 $B\times N\times D$ 輸入 Transformer 之前，會給 $N$ 這個維度增加一個 class token，變成 $N+1$ 維，這個 class token 是一個大小為 $1\times 1\times D$ 的可學習向量，表示 Transformer 的 Encoder 的輸出（$z_L^0$），也就是作為圖像的特征表達 y。

3、給上面的結果加上位置編碼

添加位置編碼能夠保留圖像的位置信息，作者使用可學習的 1D 位置編碼（因為從文獻來看，使用 2D 編碼也沒有帶來理想的效果）。ViT 中的位置編碼是隨機生成可學習參數，沒有做過多設計，這樣的設計。

4、送入 Transformer Encoder

這里的 Encoder 由多層的 multiheaded self-attention（MSA）和 MLP 組成，每層之前都會使用 Layernorm，每個 block 之后都會使用殘差連接。

歸一化方法：

Transformer 中一般都使用 LayerNorm，LayerNorm 和 BatchNorm 的區別如下圖所示：

• LayerNorm：對一個 batch 的所有通道進行歸一化（均值為 0，方差為 1）
• BatchNorm：對一個通道的所有 batch 進行歸一化（均值為 0，方差為 1）

三、效果

• 使用中等大小的數據集（如 ImageNet），Transformer 比 ResNet 的效果稍微差點，作者認為原因在于 Transformer 缺少了 CNN 中的歸納偏置（平移不變性和位置），泛化的也較差
• 使用大型數據集訓練時（約 14M-300M images），作者發現大型的數據訓練會勝過歸納偏置帶來的效果，ViT 在使用了大型數據集預訓練（ImageNet-21k 或 in-house JFT-300M）然后遷移到其他任務時，效果優于 CNN。

歸納偏置是什么？

歸納偏置可以理解成在算法在設計之初就加入的一種人為偏好，將某種方式的解優于其他解，既包含低層數據分布假設，也包含模型設計。

在深度學習時代，這種歸納性偏好更為明顯。比如深度神經網絡結構就偏好性的認為，層次化處理信息有更好效果；卷積神經網絡認為信息具有空間局部性（locality），可以用滑動卷積共享權重方式降低參數空間；反饋神經網絡則將時序信息考慮進來強調順序重要性；圖網絡則是認為中心節點與鄰居節點的相似性會更好引導信息流動。不同的網絡結構創新就體現了不同的歸納性偏。

之前計算機視覺任務大都依賴于 CNN，CNN 有兩個內置的歸納偏置：

• 局部相關性
• 權重共享

但基于注意力模型的 Transformer 最小化了歸納偏置，所以在大數據集上進行訓練時，效果甚至可以超過 CNN，但小數據集上因為缺少了這種歸納偏置，所以難以總結到有意義的特征。

CNN 有較好的歸納偏置，所以數據少的時候也能實現好的效果，但數據量大的時候，這些歸納偏置就會限制其效果，但 Transformer 不會被其限制，所以在大數據集上表現更好一些。

四、Vision Transformer 學習到圖像的哪些特征了

為了理解 Transformer 是如何學習到圖像特征的，作者分析了其內部的特征表達：

• Transformer 的第一層將 flattened patch 線性影射到了一個低維空間（公式 1），圖 7 左側可視化了前幾個主要的學習到的 embedding filters，這些組件類似于每個patch內精細結構的低維表示的可信基函數。
• 線性投影之后，加上位置編碼，圖 7 中間展示了模型學習了在位置嵌入相似度下對圖像內距離進行編碼，即離得近的 patches 更趨向于有相似的位置嵌入，然后就有了 row-column 結構，同一行或同一列的 patches 有相似的嵌入。
• 自注意力機制能夠提取整幅圖像的信息，作者為了探究這種注意力給網絡起了多大的作用，根據注意力的權重計算了其在空間中的平均距離（圖 7 右），這種”注意力距離”類似于 CNN 中的感受野的大小。作者注意到，一些 heads 趨向于關注最底層的大部分圖像，這表明模型確實使用了全局整合信息的能力。其他注意頭在較低層上的注意距離一直很小。這種高度位置化的注意在混合模型中不太明顯，這些模型在Transformer之前應用了ResNet(圖7，右)，這表明它可能具有與cnn中的低層卷積層類似的功能。注意距離隨網絡深度的增加而增加。從全局來看，發現模型關注與分類語義相關的圖像區域(圖6)。

上面中間的熱力圖可視化，某個位置和自己的余弦相似度肯定是最高的，然后和同行同列相似度次高，其他位置較低，這也能基本想通，因為位置本來就表示的某個像素在圖像中的某行某列，符合可視化結果。

五、代碼

總體過程：

• 輸入原圖：[1, 3, 224, 224]
• patch 編碼：[1, 49, 1024]
• cls_token：[1, 50, 1024]
• 位置編碼：[1, 50, 1024]
• Transformer：Attention + FeedForward [1, 50, 1024]
• 取第一組向量（或均值）作為全局特征：[1, 1024]
• MLP 輸出預測類別：[1, 1000]，1000為類別數

import torch from torch import nnfrom einops import rearrange, repeat from einops.layers.torch import Rearrange# helpersdef pair(t):return t if isinstance(t, tuple) else (t, t)# classesclass PreNorm(nn.Module):def __init__(self, dim, fn):super().__init__()self.norm = nn.LayerNorm(dim)self.fn = fndef forward(self, x, **kwargs):return self.fn(self.norm(x), **kwargs)class FeedForward(nn.Module):def __init__(self, dim, hidden_dim, dropout = 0.):super().__init__()self.net = nn.Sequential(nn.Linear(dim, hidden_dim),nn.GELU(),nn.Dropout(dropout),nn.Linear(hidden_dim, dim),nn.Dropout(dropout))def forward(self, x):return self.net(x)class Attention(nn.Module):def __init__(self, dim, heads = 8, dim_head = 64, dropout = 0.):super().__init__()inner_dim = dim_head * headsproject_out = not (heads == 1 and dim_head == dim)self.heads = headsself.scale = dim_head ** -0.5self.attend = nn.Softmax(dim = -1)self.to_qkv = nn.Linear(dim, inner_dim * 3, bias = False)self.to_out = nn.Sequential(nn.Linear(inner_dim, dim),nn.Dropout(dropout)) if project_out else nn.Identity()def forward(self, x):import pdb; pdb.set_trace()qkv = self.to_qkv(x).chunk(3, dim = -1) # len=3, qkv[0].shape=qkv[1].shape=qkv[2].shape=[1, 50, 1024]q, k, v = map(lambda t: rearrange(t, 'b n (h d) -> b h n d', h = self.heads), qkv) # q.shape=k.shape=v.shape=[1, 16, 50, 64]dots = torch.matmul(q, k.transpose(-1, -2)) * self.scale # [1, 16, 50, 50]attn = self.attend(dots) # [1, 16, 50, 50]out = torch.matmul(attn, v) # [1, 16, 50, 64]out = rearrange(out, 'b h n d -> b n (h d)') # [1, 50, 1024]return self.to_out(out) # [1, 50, 1024]class Transformer(nn.Module):def __init__(self, dim, depth, heads, dim_head, mlp_dim, dropout = 0.):super().__init__()self.layers = nn.ModuleList([])for _ in range(depth):self.layers.append(nn.ModuleList([PreNorm(dim, Attention(dim, heads = heads, dim_head = dim_head, dropout = dropout)),PreNorm(dim, FeedForward(dim, mlp_dim, dropout = dropout))]))def forward(self, x):for attn, ff in self.layers:# attn: attention# ff: feedforwardx = attn(x) + xx = ff(x) + xreturn xclass ViT(nn.Module):def __init__(self, *, image_size, patch_size, num_classes, dim, depth, heads, mlp_dim, pool = 'cls', channels = 3, dim_head = 64, dropout = 0., emb_dropout = 0.):super().__init__()import pdb;pdb.set_trace()image_height, image_width = pair(image_size) # 224, 224patch_height, patch_width = pair(patch_size) # 32, 32assert image_height % patch_height == 0 and image_width % patch_width == 0, 'Image dimensions must be divisible by the patch size.'num_patches = (image_height // patch_height) * (image_width // patch_width) # 7*7=49patch_dim = channels * patch_height * patch_width # 3072assert pool in {'cls', 'mean'}, 'pool type must be either cls (cls token) or mean (mean pooling)'self.to_patch_embedding = nn.Sequential(Rearrange('b c (h p1) (w p2) -> b (h w) (p1 p2 c)', p1 = patch_height, p2 = patch_width),nn.Linear(patch_dim, dim), # Linear(in_features=3072, out_features=1024, bias=True))self.pos_embedding = nn.Parameter(torch.randn(1, num_patches + 1, dim)) # [1, 50, 1024]self.cls_token = nn.Parameter(torch.randn(1, 1, dim)) # [1, 1, 1024]self.dropout = nn.Dropout(emb_dropout)self.transformer = Transformer(dim, depth, heads, dim_head, mlp_dim, dropout)self.pool = poolself.to_latent = nn.Identity()self.mlp_head = nn.Sequential(nn.LayerNorm(dim),nn.Linear(dim, num_classes))def forward(self, img):# img: [1, 3, 224, 224]x = self.to_patch_embedding(img) # [1, 49, 1024]b, n, _ = x.shapecls_tokens = repeat(self.cls_token, '() n d -> b n d', b = b) # [1, 1, 1024] ->[b, 1, 1024]x = torch.cat((cls_tokens, x), dim=1)x += self.pos_embedding[:, :(n + 1)] # [1, 50, 1024]x = self.dropout(x) # [1, 50, 1024]x = self.transformer(x)x = x.mean(dim = 1) if self.pool == 'mean' else x[:, 0] # [1, 1024]x = self.to_latent(x)return self.mlp_head(x)

調用 ViT 的方法：

pip install vit-pytorch import torch from vit_pytorch import ViTv = ViT(image_size = 256,patch_size = 32,num_classes = 1000,dim = 1024,depth = 6,heads = 16,mlp_dim = 2048,dropout = 0.1,emb_dropout = 0.1 )img = torch.randn(1, 3, 256, 256)preds = v(img) # (1, 1000)

Patch embedding 結構：

Sequential((0): Rearrange('b c (h p1) (w p2) -> b (h w) (p1 p2 c)', p1=32, p2=32)(1): Linear(in_features=3072, out_features=1024, bias=True) )

Transformer 結構：

Transformer((layers): ModuleList((0): ModuleList((0): PreNorm((norm): LayerNorm((1024,), eps=1e-05, elementwise_affine=True)(fn): Attention((attend): Softmax(dim=-1)(to_qkv): Linear(in_features=1024, out_features=3072, bias=False)(to_out): Sequential((0): Linear(in_features=1024, out_features=1024, bias=True)(1): Dropout(p=0.1, inplace=False))))(1): PreNorm((norm): LayerNorm((1024,), eps=1e-05, elementwise_affine=True)(fn): FeedForward((net): Sequential((0): Linear(in_features=1024, out_features=2048, bias=True)(1): GELU()(2): Dropout(p=0.1, inplace=False)(3): Linear(in_features=2048, out_features=1024, bias=True)(4): Dropout(p=0.1, inplace=False)))))(1): ModuleList((0): PreNorm((norm): LayerNorm((1024,), eps=1e-05, elementwise_affine=True)(fn): Attention((attend): Softmax(dim=-1)(to_qkv): Linear(in_features=1024, out_features=3072, bias=False)(to_out): Sequential((0): Linear(in_features=1024, out_features=1024, bias=True)(1): Dropout(p=0.1, inplace=False))))(1): PreNorm((norm): LayerNorm((1024,), eps=1e-05, elementwise_affine=True)(fn): FeedForward((net): Sequential((0): Linear(in_features=1024, out_features=2048, bias=True)(1): GELU()(2): Dropout(p=0.1, inplace=False)(3): Linear(in_features=2048, out_features=1024, bias=True)(4): Dropout(p=0.1, inplace=False)))))(2): ModuleList((0): PreNorm((norm): LayerNorm((1024,), eps=1e-05, elementwise_affine=True)(fn): Attention((attend): Softmax(dim=-1)(to_qkv): Linear(in_features=1024, out_features=3072, bias=False)(to_out): Sequential((0): Linear(in_features=1024, out_features=1024, bias=True)(1): Dropout(p=0.1, inplace=False))))(1): PreNorm((norm): LayerNorm((1024,), eps=1e-05, elementwise_affine=True)(fn): FeedForward((net): Sequential((0): Linear(in_features=1024, out_features=2048, bias=True)(1): GELU()(2): Dropout(p=0.1, inplace=False)(3): Linear(in_features=2048, out_features=1024, bias=True)(4): Dropout(p=0.1, inplace=False)))))(3): ModuleList((0): PreNorm((norm): LayerNorm((1024,), eps=1e-05, elementwise_affine=True)(fn): Attention((attend): Softmax(dim=-1)(to_qkv): Linear(in_features=1024, out_features=3072, bias=False)(to_out): Sequential((0): Linear(in_features=1024, out_features=1024, bias=True)(1): Dropout(p=0.1, inplace=False))))(1): PreNorm((norm): LayerNorm((1024,), eps=1e-05, elementwise_affine=True)(fn): FeedForward((net): Sequential((0): Linear(in_features=1024, out_features=2048, bias=True)(1): GELU()(2): Dropout(p=0.1, inplace=False)(3): Linear(in_features=2048, out_features=1024, bias=True)(4): Dropout(p=0.1, inplace=False)))))(4): ModuleList((0): PreNorm((norm): LayerNorm((1024,), eps=1e-05, elementwise_affine=True)(fn): Attention((attend): Softmax(dim=-1)(to_qkv): Linear(in_features=1024, out_features=3072, bias=False)(to_out): Sequential((0): Linear(in_features=1024, out_features=1024, bias=True)(1): Dropout(p=0.1, inplace=False))))(1): PreNorm((norm): LayerNorm((1024,), eps=1e-05, elementwise_affine=True)(fn): FeedForward((net): Sequential((0): Linear(in_features=1024, out_features=2048, bias=True)(1): GELU()(2): Dropout(p=0.1, inplace=False)(3): Linear(in_features=2048, out_features=1024, bias=True)(4): Dropout(p=0.1, inplace=False)))))(5): ModuleList((0): PreNorm((norm): LayerNorm((1024,), eps=1e-05, elementwise_affine=True)(fn): Attention((attend): Softmax(dim=-1)(to_qkv): Linear(in_features=1024, out_features=3072, bias=False)(to_out): Sequential((0): Linear(in_features=1024, out_features=1024, bias=True)(1): Dropout(p=0.1, inplace=False))))(1): PreNorm((norm): LayerNorm((1024,), eps=1e-05, elementwise_affine=True)(fn): FeedForward((net): Sequential((0): Linear(in_features=1024, out_features=2048, bias=True)(1): GELU()(2): Dropout(p=0.1, inplace=False)(3): Linear(in_features=2048, out_features=1024, bias=True)(4): Dropout(p=0.1, inplace=False)))))) )

前傳方式：

def forward(self, x):for attn, ff in self.layers:# attn: attention# ff: feedforwardx = attn(x) + xx = ff(x) + xreturn x

MLP 結構：

Sequential((0): LayerNorm((1024,), eps=1e-05, elementwise_affine=True)(1): Linear(in_features=1024, out_features=1000, bias=True) )

總結

以上是生活随笔為你收集整理的【Transformer】ViT：An image is worth 16x16: transformers for image recognition at scale的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。