之前只看了ViT的大概结构，具体的模型细节和代码实现知之甚少。随着ViT逐渐成为CV领域的backbone，有必要重新审视下。

patch -> token

为了将图片处理成序列格式，很自然地想到将图片分割成一个个patch，再把patch处理成token。

假设图片大小为 $224\times 224\times 3$ (即 $H\times W\times C$ )，每个patch大小为 $16\times 16\times 3$，那么序列长度就是 $196$，序列的形状是 $196\times 768$。

如何将大小为 $16\times 16\times 3$ 的patch，映射为 $768$ 维的token？源码是直接将其reshape

在reshape之后，还需要过一层$768\times 768$的embedding层。因为reshape后的$768$维向量是参数无关的，不参与梯度更新，过完embedding层，即拥有了token embedding的语义信息。

处理成patch的好处

• 减少计算量：如果按照pixel维度计算self-attention，那复杂度大大增加。patch size越大，复杂度越低。stable diffusion也是这个思路，在latent space进行扩散，而不是pixel
• 减少图像冗余信息：图像是有大量冗余信息的，处理成patch不影响图片语义信息

position embedding

论文采用的是可学习式位置编码，跟bert类似，初始化一个可学习的1-d参数向量

其它的位置编码方案结果对比：

个人感觉2-d位置编码更make sense，它保留了patch之间的空间位置关系，跟CNN类似。直接粗暴地拉平成一维序列，则丢弃了这种空间信息。

实验结果

在相同的数据集JFT-300M上预训练后，ViT在所有的下游任务上，都超过了BiT。值得注意的是，准确率上提升不大，但训练时间大为缩短。

可能是基于Transformer架构的VIT，和卷积神经网络相比，更适合做切分均匀的矩阵计算，这样我们就能把参数均匀切到不同卡上做分布式训练，更好利用GPU算力，提升训练效率。

但transformer架构有个独门绝技，那就是大力出奇迹。数据量越大，模型参数越多，任务效果就越好。下图就是证明：

ViT学习到空间局部性了吗？

可以看到，每个patch除了跟自己最相似外，其与周围的patch相关性高于距离较远的patch。这就说明ViT通过位置编码，已经学到了一定的空间局部性。

总结

• ViT证明了Transformer架构在CV领域的可行性，以后Transformer将大一统各领域。NLP的成功经验非常有潜力迁移到CV领域，比如scaling law，大数据+大模型的范式将开拓出CV的新一片天地。
  • 大数据+大模型真的是既无脑又有效，通过这种方式让Transformer自己去学习到特定领域的归纳偏置。可以说Transformer下限比CNN低，但上限又是CNN无法企及的。

---

参考

• 再读VIT，还有多少细节是你不知道的