Vision Transformer 代码实现

论文链接:An Image is Worth 16x16 Words: Transformers for Image Recognition at Scale

最近开始恶补CV了(指->新建文件夹)。作为CV Transformer的开山大作,首先要学习的就是ViT(Vision Transformer)模型。有很多大佬都已经解读过这篇工作了,我比较推荐李沐大神团队的视频,不仅能了解模型架构,还能学到些论文写作技巧。也参考了我的b站导师 (代码是基于timm的) 本文代码基于vit-pytorch,该项目包含了ViT和诸多变体。需要预训练模型的话可以参考timm的实现(pytorch-image-models)


动图封面

ViT的架构

ViT的结构如上图,我们按照流程一步步讲解。大概来说,ViT分为这几个步骤。1.图片分块和映射;2.Transformer;3.线性层输出。原论文给出了3种不同大小的模型:Base、Large、Huge,他们的Transformer层数,head不同,中间维度、线性层维度也不相同,具体数值请参考原论文。文章代码基于Base/16

ViT-Base

先来看最终的总体架构,具体步骤我已经做了注释,解释下形参

  • image_size:图片尺寸,int或者tuple皆可,例如224,或者(224, 224),长宽不一定要一样大
  • path_size分块path尺寸,int或tuple,默认为16,需要确保image_size能被path_size整除
  • num_classes:分类数,int
  • dim:Transformer隐层维度,对于Base来说是768,Large为1024
  • depth:Transformer个数,Base为12
  • head:多头的个数,Base=12
  • mlp_dim:Transformer中的FeedForward中第一个线性层升维后的维度,默认为768*4,先升维4倍再降维回去
  • pool:默认'cls,选取CLS token作为输出,可选'mean',在patch维度做平均池化
  • channel:图片输入的特征维度,RGB图像为3,灰度图为1
class 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__()
        image_height, image_width = pair(image_size)  # 在这个项目中没有限定图片的尺寸
        patch_height, patch_width = pair(patch_size)  # 默认为16

        assert image_height % patch_height == 0 and image_width % patch_width == 0, 'Image dimensions must be divisible by the patch size.'

        # num patches -> (224 / 16) = 14, 14 * 14 = 196
        num_patches = (image_height // patch_height) * (image_width // patch_width)
        # path dim -> 3 * 16 * 16 = 768,和Bert-base一致
        patch_dim = channels * patch_height * patch_width  
        assert pool in {'cls', 'mean'}, 'pool type must be either cls (cls token) or mean (mean pooling)'  # 输出选cls token还是做平均池化

        # 步骤一:图像分块与映射。首先将图片分块,然后接一个线性层做映射
        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),
        )

        # pos_embedding:位置编码;cls_token:在序列最前面插入一个cls token作为分类输出
        self.pos_embedding = nn.Parameter(torch.randn(1, num_patches + 1, dim))
        self.cls_token = nn.Parameter(torch.randn(1, 1, dim))
        self.dropout = nn.Dropout(emb_dropout)

        # 步骤二:Transformer Encoder结构来提特征
        self.transformer = Transformer(dim, depth, heads, dim_head, mlp_dim, dropout)

        self.pool = pool
        self.to_latent = nn.Identity()  # 这一步上面都没做

        # 线性层输出
        self.mlp_head = nn.Sequential(
            nn.LayerNorm(dim),
            nn.Linear(dim, num_classes)
        )

    def forward(self, img):
    ...

1. 分块与映射

分块这里调用了einops这个库,可以很方便直观地进行维度变换。简单起见,下面按照默认的patch 宽高=16的设置,所以在行和列上一共有224 / 16 = 14个patch。这里的操作就是把一个batch的,shape为(batch, 3, 224, 224)的图片,首先划分为(batch, 3, ( 14 x 16), (14 x 16)),按照块给他展平,操作和动图里的一样,最后的输出就是(batch, ( 14 x 14), ( 16 x 16 x 3 = 768))。除掉第一维的batch,单独拎一个path来看,其特征维度是768,就是每一个像素铺平后的长度(RGB图像有3个特征维度)。铺平后接上一个linear做线性映射,维度也是768。

from einops.layers.torch import Rearrange

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),
        )

# forward:
x = self.to_patch_embedding(img)

接下来要加上位置编码。文章采用的是一维位置编码,作者也测试了2维和相对位置编码,结果都差不多。一维的意思就是把展平后的图片看成一个序列,第二维的14 * 14 =196看成NLP里token的长度,只考虑这个长度。ViT的位置编码也可以理解为一种可以训练的绝对位置编码(因为取的是embedding中前196+1个,然后对应位置和x相加)。

论文的附录图10

然后在拼上一个CLS token

self.pos_embedding = nn.Parameter(torch.randn(1, num_patches + 1, dim))
self.cls_token = nn.Parameter(torch.randn(1, 1, dim))
self.dropout = nn.Dropout(emb_dropout)

# forward:
b, n, _ = x.shape
# 1 x 1 x 768的CLS token重复至 batch x 1 x 768
cls_tokens = repeat(self.cls_token, '() n d -> b n d', b = b)
x = torch.cat((cls_tokens, x), dim=1)
x += self.pos_embedding[:, :(n + 1)]  # 因为多了个CLS token所以要n+1
x = self.dropout(x)
# x.shape -> (batch, 196 + 1, 768)

2. Transformer Encoder

ViT框架里就这么一步

self.transformer = Transformer(dim, depth, heads, dim_head, mlp_dim, dropout)
# forward
x = self.transformer(x)

Transformer的流程我简单画了一下,这一块我直接在代码里注释了下,如果有不懂的建议大家先去看一下Transformer的代码和原理,ViT和Bert一样只有encoder的部分,要简单一些。

Self-Attention总结起来就是 ���(�,�,�)=�������(�⋅����)�

class PreNorm(nn.Module):
    def __init__(self, dim, fn):
        super().__init__()
        self.norm = nn.LayerNorm(dim)
        self.fn = fn
    def forward(self, x, **kwargs):
        # 先LN
        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 *  heads
        project_out = not (heads == 1 and dim_head == dim)

        self.heads = heads
        self.scale = dim_head ** -0.5  # 论文里的\sqrt{d_k}

        self.attend = nn.Softmax(dim = -1)
        # Q K V一块处理了,有的工作是用了3个维度为dim的Linear层分别得到的
        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):
        # 输入 x -> (batch, 197, 768)即(batch, num_patch + 1, hid_dims)
        # 按照最后一维(特征维度)分成3块,分别对应QKV
        # chunk后是一个tuple,即(q, k, v)
        qkv = self.to_qkv(x).chunk(3, dim = -1)
        # q, k, v都做维度变换,(batch, 197, 768) -> (batch, 12, 197, 768 / 12 = 64)
        # 12是head的数量,目的是做**多头**注意力机制
        q, k, v = map(lambda t: rearrange(t, 'b n (h d) -> b h n d', h = self.heads), qkv)
        # Q @ K^T  /  \sqrt{d_k}
        dots = torch.matmul(q, k.transpose(-1, -2)) * self.scale

        attn = self.attend(dots)  # softmax

        out = torch.matmul(attn, v)
        # 把多头拼回去 -> (batch, 197, 768)
        out = rearrange(out, 'b h n d -> b n (h d)')
        return self.to_out(out)

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))
            ]))
            #  先LN再做Att或者Forward
    def forward(self, x):
        for attn, ff in self.layers:  # attn为Multi-head Attention,ff就是FeedForward
            x = attn(x) + x  # 残差连接,图片中的边线
            x = ff(x) + x
        return x

3.线性层输出

self.pool = pool
self.to_latent = nn.Identity()
 # 线性层输出
 self.mlp_head = nn.Sequential(
    nn.LayerNorm(dim),
    nn.Linear(dim, num_classes)
    )
# forward
x = x.mean(dim = 1) if self.pool == 'mean' else x[:, 0]
 x = self.to_latent(x)
return self.mlp_head(x)

这一块没什么好说的,一般直接用CLS token作为输出。为什么cls可以作为输出呢?主要还是因为Transformer的自注意机制,每个地方都能兼顾全局,而不是CNN那种的局部信息。

ViT-timm实现

从论文中我们知道如果训练的图片数据集规模没有特别大的话,ViT是不如CNN的。在实际项目中我们更多用到的是微调预训练模型,上边的库没有预训练模型,所以提供预训练模型的timm的使用率会更高。timm的实现要更复杂,因为源码里包含了DEIT(ViT+蒸馏),源代码里还有很多初始化、加载预训练权重等操作。这里就只看模型的架构,说一下和上边不同的地方。

总体架构部分

class VisionTransformer(nn.Module):
    """ Vision Transformer
    A PyTorch impl of : `An Image is Worth 16x16 Words: Transformers for Image Recognition at Scale`
        - https://arxiv.org/abs/2010.11929
    Includes distillation token & head support for `DeiT: Data-efficient Image Transformers`
        - https://arxiv.org/abs/2012.12877
    """

    def __init__(self, img_size=224, patch_size=16, in_chans=3, num_classes=1000, embed_dim=768, depth=12,
                 num_heads=12, mlp_ratio=4., qkv_bias=True, representation_size=None, distilled=False,
                 drop_rate=0., attn_drop_rate=0., drop_path_rate=0., embed_layer=PatchEmbed, norm_layer=None,
                 act_layer=None, weight_init=''):
        """
        Args:
            img_size (int, tuple): input image size
            patch_size (int, tuple): patch size
            in_chans (int): number of input channels
            num_classes (int): number of classes for classification head
            embed_dim (int): embedding dimension
            depth (int): depth of transformer
            num_heads (int): number of attention heads
            mlp_ratio (int): ratio of mlp hidden dim to embedding dim
            qkv_bias (bool): enable bias for qkv if True
            representation_size (Optional[int]): enable and set representation layer (pre-logits) to this value if set
            distilled (bool): model includes a distillation token and head as in DeiT models
            drop_rate (float): dropout rate
            attn_drop_rate (float): attention dropout rate
            drop_path_rate (float): stochastic depth rate
            embed_layer (nn.Module): patch embedding layer
            norm_layer: (nn.Module): normalization layer
            weight_init: (str): weight init scheme
        """

首先如果要用timm的预训练权重,图片尺寸必须为224x224或者384x384,使用方法如下

import timm
model = timm.from_pretrained('vit_base_patch16_224', num_classes=xx)

形参上多了mlp_ratio,对应mlp_dim(4 x 768的4);

以及qkv_bias=True的可选操作;

self.qkv = nn.Linear(dim, dim * 3, bias=qkv_bias)  # Attention模块
# forward
B, N, C = x.shape
qkv = self.qkv(x).reshape(B, N, 3, self.num_heads, C // self.num_heads).permute(2, 0, 3, 1, 4)

distilled=False是为DEIT准备的

embed_layer=PatchEmbed:实现如下

class PatchEmbed(nn.Module):
    """ 2D Image to Patch Embedding
    """
    def __init__(self, img_size=224, patch_size=16, in_chans=3, embed_dim=768, norm_layer=None, flatten=True):
        super().__init__()
        img_size = to_2tuple(img_size)
        patch_size = to_2tuple(patch_size)
        self.img_size = img_size
        self.patch_size = patch_size
        self.grid_size = (img_size[0] // patch_size[0], img_size[1] // patch_size[1])  # 224 / 16 = 14,即(14, 14)
        self.num_patches = self.grid_size[0] * self.grid_size[1]  # 196
        self.flatten = flatten

        self.proj = nn.Conv2d(in_chans, embed_dim, kernel_size=patch_size, stride=patch_size)
        self.norm = norm_layer(embed_dim) if norm_layer else nn.Identity()

    def forward(self, x):
        B, C, H, W = x.shape
        _assert(H == self.img_size[0], f"Input image height ({H}) doesn't match model ({self.img_size[0]}).")
        _assert(W == self.img_size[1], f"Input image width ({W}) doesn't match model ({self.img_size[1]}).")
        x = self.proj(x)
        if self.flatten:
            x = x.flatten(2).transpose(1, 2)  # BCHW -> BNC
        x = self.norm(x)  # 默认是没有norm的
        return x

从之前的线性层替换为2维卷积了,卷积大小和stride都为patch size,即16

经过卷积,输入(batch, 3, 224, 224) -> (batch, 768, 14, 14),非常取巧的操作啊,花里胡哨的,和线性层是一样的效果

之后在第三个维度展平:(batch, 768, 14, 14) flatten -> (batch, 768, 196) transpose(1, 2) -> (batch, 196, 768)

其他地方在写法上有不同,但方法是基本一样的,对了,timm还在Transformer那部分加入了drop_path

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:/a/443612.html

如若内容造成侵权/违法违规/事实不符,请联系我们进行投诉反馈qq邮箱809451989@qq.com,一经查实,立即删除!

相关文章

2024年3月10日 十二生肖 今日运势

小运播报:2024年3月10日,星期日,农历二月初一 (甲辰年丁卯月癸酉日),法定节假日。 红榜生肖:龙、牛、蛇 需要注意:鸡、狗、兔 喜神方位:东南方 财神方位:…

oracle报错(ORA-06575: 程序包或函数 WM_CONCAT 处于无效状态)

之前的项目突然出现一个错误,ORA-06575: 程序包或函数 WM_CONCAT 处于无效状态 对应的sql如下 SELECT u.LOGIN_NAME,u.REAL_NAME,u.ID,wm_concat(u.ORG_ID) AS ORG_ID,wm_concat(u.ORG_NAME) AS ORG_NAME,wm_concat(u.ORG_CODE) AS ORG_CODE,u.SEX,u.PHONE,u.EMAIL,u.AVATAR…

计算两帧雷达数据之间的变换矩阵

文章目录 package.xmlCMakeLists.txtpoint_cloud_registration.cc运行结果 package.xml <?xml version"1.0"?> <package format"2"><name>point_cloud_registration</name><version>0.0.0</version><descriptio…

Dbeaver:Ubuntu Linux 20.04 mysql 驱动损坏或者没有驱动,无法联网更新下载

下载方法&#xff1a; https://blog.csdn.net/wangpaiblog/article/details/112057533 Ubuntu Linux 20.04 (Architecture Independent), DEB Package 下载地址&#xff1a; https://downloads.mysql.com/archives/c-j/ 安装deb&#xff1a; sudo dpkg -i mysql-connector-java…

存储引擎的简介

简介&#xff1a; 1.在mysql存储引擎可以说就是指表的类型&#xff0c;可以称为表处理器&#xff0c;以表的形式存储。 2.他的功能就是接收上层传下来的指令&#xff0c;然后对表中的数据进行提取写入操作。 目的&#xff1a; 为了管理方便&#xff0c;我们把连接管理&#xf…

【Linux】Linux C编程

gcc编译器 gcc [options] [filenames] 其中&#xff0c;options是编译器所需要的选项参数&#xff0c;filenames是文件名。 gcc编译过程 C语言编译过程一般可以分为预处理、编译、汇编、链接四个步骤。 1.预处理阶段 预处理阶段主要处理宏定义和include&#xff0c;并进行语…

List(CS61B学习记录)

问题引入 上图中&#xff0c;赋给b海象的weight会改变a海象的weight&#xff0c;但x的赋值又不会改变y的赋值 Bits 要解释上图的问题&#xff0c;我们应该从Java的底层入手 相同的二进制编码&#xff0c;却因为数据类型不同&#xff0c;输出不同的值 变量的声明 基本类型…

使用Git将代码上传至代码托管平台GitCode

使用像GitLbi、GitHub、Gitee等代码托管平台用于版本控制非常滴方便&#xff0c;能够跟踪代码的变化和历史记录&#xff0c;方便管理和回滚&#xff0c;还允许多个开发者同时在一个项目上进行开发和协作&#xff0c;提高团队协作效率。 这些平台的代码托管和上传方式都大同小异…

MongoDB开启事务

MongoDB开启事务 配置单节点。到路径C:\Program Files\MongoDB\Server\4.0\bin 使用记事本以管理员权限打开文件mongod.cfg添加如下配置&#xff1a; replication:replSetName: rs02. 重启MongoDB服务 3. 重启后执行命令 rs.initiate()

java集合题库详解

1. Arraylist与LinkedList区别 可以从它们的底层数据结构、效率、开销进行阐述哈 ArrayList是数组的数据结构&#xff0c;LinkedList是链表的数据结构。 随机访问的时候&#xff0c;ArrayList的效率比较高&#xff0c;因为LinkedList要移动指针&#xff0c;而ArrayList是基于索…

【嵌入式高级C语言】10:C语言文件

文章目录 1 文件的概述1.1 文件分类&#xff08;存储介质&#xff09;1.2 磁盘文件分类&#xff08;存储方式&#xff09;1.3 二进制文件和文本文件的区别 2 文件缓冲区3 文件指针4 文件的API4.1 打开文件4.2 关闭文件4.3 重新定位流4.3.1 fseek4.3.2 ftell4.3.3 rewind 4.4 字…

基于SpringBoot的快递配送规划系统的设计与实现

目 录 摘 要 I Abstract II 引 言 1 1 相关技术 3 1.1 Spring Boot框架 3 1.2 Vue框架 4 1.4 Bootstrap框架 4 1.5 JQuery技术 5 1.6 Ajax技术 5 1.7 ECharts 5 1.8 MySQL 6 1.9本章小结 6 2 系统分析 7 2.1 需求分析 7 2.2 非功能需求 10 2.3 本章小结 10 3 系统设计 11 3.1 …

如何发布新华网稿件,新华网报价多少钱?

在当今信息爆炸的时代&#xff0c;媒体的重要性不言而喻。而作为国内最具影响力的媒体之一&#xff0c;新华网更是备受关注。那么&#xff0c;作为一名公关从业者或者自媒体人士&#xff0c;如何能够在媒介多多网成功发布新华网的稿件呢&#xff1f;接下来&#xff0c;我们就来…

基于PSO粒子群算法的三角形采集堆轨道优化matlab仿真

目录 1.程序功能描述 2.测试软件版本以及运行结果展示 3.核心程序 4.本算法原理 5.完整程序 1.程序功能描述 假设一个收集轨道&#xff0c;上面有5个采集堆&#xff0c;这5个采集堆分别被看作一个4*20的矩阵&#xff08;下面只有4*10&#xff09;&#xff0c;每个模块&…

C语言学习--练习3(贪心)

目录 贪心算法 1. 两数对之间的最大乘积差 2.三角形的最大周长 3.数组拆分 4.救生艇 5.发送饼干 6.摆动数组 贪心算法 概念定义 所谓贪心&#xff0c;总是做出在当前看来是最好的选择。也就是说&#xff0c;不从整体最优上进行考虑&#xff0c;算法得到的是在某种…

300分钟吃透分布式缓存-26讲:如何大幅成倍提升Redis处理性能?

主线程 Redis 自问世以来&#xff0c;广受好评&#xff0c;应用广泛。但相比&#xff0c; Memcached 单实例压测 TPS 可以高达百万&#xff0c;线上可以稳定跑 20~40 万而言&#xff0c;Redis 的单实例压测 TPS 不过 10~12 万&#xff0c;线上一般最高也就 2~4 万&#xff0c;…

Microsoft Copilot 好像能把论文配图看明白了

&#x1f349; CSDN 叶庭云&#xff1a;https://yetingyun.blog.csdn.net/ Microsoft Copilot 好像能把论文配图看明白了&#xff0c;下面是两个案例。 请用学术风格详细描述您的研究论文中的这幅配图。在描述时&#xff0c;请尽可能准确地阐述图片的主要元素、颜色、形状、大…

如何在一个pycharm项目中创建jupyter notebook文件,并切换到conda环境中

1、第一步可以直接在pycharm项目中创建jupyter notebook文件 2、假若想要切换成pytorch环境做实验例子&#xff0c;会发现报这个错误 Jupyter server process exited with code 1 C:\Users\12430\.conda\envs\pytorch3.11\python.exe: No module named jupyter在这里&#xff…

推理判断-聂佳-判读4-定义判断

知识点讲解 考点1 快速识别有效信息 考点2 同构选项排除 题目 考点1 快速识别有效信息 考点2 同构选项排除 总结

linuxOPS基础_操作系统概述

计算机发展史 第一台计算机是1946 年2 月14 日诞生日&#xff0c;第一台名称ENIAC。体积一间屋子的大小&#xff0c;重量高达28t。 第一代&#xff1a;1946 – 1958 > 12 年 &#xff08;电子管&#xff09; 第二代&#xff1a;1958 – 1964 > 6 年 &#xff08;晶体管…