從DETR到ViT等工作都驗證了Transformer在計算機視覺領域的潛力，那么很自然的就需要考慮一個新的問題，圖像的特征提取，究竟是CNN好還是Transformer好？

其中CNN的優(yōu)勢在于參數(shù)共享，關注local信息的聚合，而Transformer的優(yōu)勢在于全局感受野，關注global信息的聚合。直覺上來講global和local的信息聚合都是有用的，將global信息聚合和local信息聚合有效的結合在一起可能是設計最佳網(wǎng)絡架構的正確方向。

如何有效的結合global和local信息，最近的幾篇文章主要分成了兩個方向：CNN based和Transformer based。以下主要解析一下CNN based和Transformer based的網(wǎng)絡架構設計，其中CNN based涉及ResNet和BoTNet，Transformer based涉及ViT和T2T-ViT。

01

網(wǎng)絡架構設計的相互關系

BoTNet在ResNet的基礎上將Bottlenneck的3x3卷積替換成MHSA，增加CNN based的網(wǎng)絡架構的global信息聚合能力。T2T-ViT在ViT的基礎上將patch的linear projection替換成T2T，增加Transformer based的網(wǎng)絡架構的local信息聚合能力。

02

ResNet&BoTNet

ResNet的結構設計，ResNet主要由Bottleneck結構堆疊而成，一層Bottlenneck由1x1conv、3x3conv和1x1conv堆疊構成殘差分支，然后和skip connect分支相加。BoTNet在Bottlenneck結構的基礎上將中間的3x3conv替換成MHSA結構，跟之間的Non-local等工作非常相似，本質上在CNN中引入global信息聚合。

MHSA結構如上圖所示，代碼如下。

class MHSA(nn.Module):def __init__(self, n_dims, width=14, height=14):super(MHSA, self).__init__()self.query = nn.Conv2d(n_dims, n_dims, kernel_size=1)self.key = nn.Conv2d(n_dims, n_dims, kernel_size=1)self.value = nn.Conv2d(n_dims, n_dims, kernel_size=1)self.rel_h = nn.Parameter(torch.randn([1, n_dims, 1, height]), requires_grad=True)self.rel_w = nn.Parameter(torch.randn([1, n_dims, width, 1]), requires_grad=True)self.softmax = nn.Softmax(dim=-1)def forward(self, x):n_batch, C, width, height = x.size()q = self.query(x).view(n_batch, C, -1)k = self.key(x).view(n_batch, C, -1)v = self.value(x).view(n_batch, C, -1)content_content = torch.bmm(q.permute(0, 2, 1), k)content_position = (self.rel_h + self.rel_w).view(1, C, -1).permute(0, 2, 1)content_position = torch.matmul(content_position, q)energy = content_content + content_positionattention = self.softmax(energy)out = torch.bmm(v, attention.permute(0, 2, 1))out = out.view(n_batch, C, width, height)return out

跟Transformer中的multi-head self-attention非常相似，區(qū)別在于MSHA將position encoding當成了spatial attention來處理，嵌入兩個可學習的向量看成是橫縱兩個維度的空間注意力，然后將相加融合后的空間向量于q相乘得到contect-position(相當于是引入了空間先驗)，將content-position和content-content相乘得到空間敏感的相似性feature，讓MHSA關注合適區(qū)域，更容易收斂。另外一個不同之處是MHSA只在藍色塊部分引入multi-head。

03

ViT

ViT是第一篇純粹的將Transformer用于圖像特征抽取的文章。

Vision Transformer(ViT)將輸入圖片拆分成16x16個patches，每個patch做一次線性變換降維同時嵌入位置信息，然后送入Transformer。類似BERT[class]標記位的設置，ViT在Transformer輸入序列前增加了一個額外可學習的[class]標記位，并且該位置的Transformer Encoder輸出作為圖像特征。

假設輸入圖片大小是256x256，打算分成64個patch，每個patch是32x32像素。

x = rearrange(img, 'b c (h p1) (w p2) -> b (h w) (p1 p2 c)', p1=p, p2=p) # 將3072變成dim，假設是1024 self.patch_to_embedding = nn.Linear(patch_dim, dim) x = self.patch_to_embedding(x)

這個寫法是采用了愛因斯坦表達式，具體是采用了einops庫實現(xiàn)，內(nèi)部集成了各種算子，rearrange就是其中一個，非常高效。p就是patch大小，假設輸入是b,3,256,256，則rearrange操作是先變成(b,3,8x32,8x32)，最后變成(b,8x8,32x32x3)即(b,64,3072)，將每張圖片切分成64個小塊，每個小塊長度是32x32x3=3072，也就是說輸入長度為64的圖像序列，每個元素采用3072長度進行編碼。考慮到3072有點大，ViT使用linear projection對圖像序列編碼進行降維。

04

T2T-ViT

ViT雖然驗證了Transformer在圖像分類網(wǎng)絡架構設計的潛力，但是需要額外的大規(guī)模數(shù)據(jù)來進行pre-train，而在中等規(guī)模數(shù)據(jù)集如imagenet上效果卻不理想。T2T-ViT引入了local的信息聚合來增強ViT局部結構建模的能力，使得T2T-ViT在中等規(guī)模imagenet上訓練能達到更高的精度。

在T2T模塊中，先將輸入圖像軟分割為小塊，然后將其展開成一個tokens T0序列。然后tokens的長度在T2T模塊中逐步減少(文章中使用兩次迭代然后輸出Tf)。后續(xù)跟ViT基本上一致。

一次迭代T2T結構由re-structurization和soft split構成，re-structurization將一維序列reshape成二維圖像， soft split對二維圖像進行滑窗操作，拆分成重疊塊。

以token transformer為例，先將輸入圖像拆分成7x7的重疊塊，然后通過token transformer，進行塊內(nèi)的global信息聚合，然后通過re-structurization和soft split進行token重組和拆分成3x3的重疊塊，得到長度更短的token序列，重復迭代兩次，最后linear projection進一步降低token序列長度。

class T2T_module(nn.Module):"""Tokens-to-Token encoding module"""def __init__(self, img_size=224, in_chans=3, embed_dim=768, token_dim=64):super().__init__()self.soft_split0 = nn.Unfold(kernel_size=(7, 7), stride=(4, 4), padding=(2, 2))self.soft_split1 = nn.Unfold(kernel_size=(3, 3), stride=(2, 2), padding=(1, 1))self.soft_split2 = nn.Unfold(kernel_size=(3, 3), stride=(2, 2), padding=(1, 1))self.attention1 = Token_transformer(dim=in_chans * 7 * 7, in_dim=token_dim, num_heads=1, mlp_ratio=1.0)self.attention2 = Token_transformer(dim=token_dim * 3 * 3, in_dim=token_dim, num_heads=1, mlp_ratio=1.0)self.project = nn.Linear(token_dim * 3 * 3, embed_dim)self.num_patches = (img_size // (4 * 2 * 2)) * (img_size // (4 * 2 * 2)) # there are 3 soft split, stride are 4,2,2 seperatelydef forward(self, x):# step0: soft splitx = self.soft_split0(x).transpose(1, 2)# iteration1: restricturization/reconstructionx = self.attention1(x)B, new_HW, C = x.shapex = x.transpose(1,2).reshape(B, C, int(np.sqrt(new_HW)), int(np.sqrt(new_HW)))# iteration1: soft splitx = self.soft_split1(x).transpose(1, 2)# iteration2: restricturization/reconstructionx = self.attention2(x)B, new_HW, C = x.shapex = x.transpose(1, 2).reshape(B, C, int(np.sqrt(new_HW)), int(np.sqrt(new_HW)))# iteration2: soft splitx = self.soft_split2(x).transpose(1, 2)# final tokensx = self.project(x)return x

05

總結

1.global和local信息聚合的關系

global和local應該相互補充來同時balance 速度和精度，同時提升速度和精度的上限

2.CNN based和Transformer based的關系，CNN based 和 Transformer based哪個好

本質上是網(wǎng)絡架構設計是以CNN為主好還是Transformer為主好的問題，CNN為主還是將輸入當成二維的圖像信號來處理，Transformer為主則將輸入當成一維的序列信號來處理，所以想要研究清楚CNN為主好還是Transformer為主好的問題，需要去探索哪種輸入信號更加具有優(yōu)勢，之前不少研究都表明CNN的padding可能透露了位置信息，而Transformer因為沒有歸納偏見，需要增加position encoding來引入位置信息。CNN為主和Transformer為主各有優(yōu)劣，目前來看暫無定論，且看后續(xù)發(fā)展。

Reference

[1] Deep Residual Learning for Image Recognition

[2]?Bottleneck Transformers for Visual Recognition

[3] An image is worth 16x16 words: Transformers for image recognition at scale

[4] Tokens-to-Token ViT: Training Vision Transformers from Scratch on ImageNet

往期精彩回顧適合初學者入門人工智能的路線及資料下載機器學習及深度學習筆記等資料打印機器學習在線手冊深度學習筆記專輯《統(tǒng)計學習方法》的代碼復現(xiàn)專輯 AI基礎下載機器學習的數(shù)學基礎專輯 本站qq群704220115，加入微信群請掃碼：

??????????????????????

覺得有用給個在看吧????

與50位技術專家面對面20年技術見證，附贈技術全景圖

總結

以上是生活随笔為你收集整理的【深度学习】网络架构设计：CNN based和Transformer based的全部內(nèi)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(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。