论文原文：An Image is Worth 16x16 Words: Transformers for Image Recognition at Scale
1.VIT模型架构图
简单而言，模型由三个模块组成：
(1) Linear Projection of Flattened Patches(Embedding层)
(2) Transformer Encoder
(3) MLP Head：最终用于分类的层结构
具体步骤：
1.1 图片切分为patch
1.2 patch转化为embedding
由于一个patch是正方形，不能直接作为TRM的输入，需要把这一个patch转化成一个固定维度的embedding，然后用embedding作为TRM的输入。方法1：把patch拉平，二维转一维（eg.原来16x16变为256）；方法2：把拉平之后的这个维度映射到我自己规定的一个向量长度。
注：在此过程中有两个实验方式，这里用的是Linear Projection是一个线性的转化，还有一种就是说petch=16*16，可以用一个16*16，步长为16的卷积来操作这个，卷积核设置成768，输出通道就是768，也就是说将768转换成了TRM Encoder的维度。
1.3 位置embedding和 token sembedding相加
首先生成CLS符号的token emb，图中*，然后生成所有序列的位置编码，图中1，2，3...，粉色的跟紫色的相加得到输入的embadding。
为啥加入一个CLS符号？
在论文后证明，CLS作用不大，它的作用就是减少对原始TRM模型的更改，BERT中使用CLS是由于，BERT有两个预训练任务，NSP（二分类）任务：预测下一句；MLM：预测当前单词。两个任务如果都使用池化进行损失的话，会在某些tokens上进行重复，使用CLS一定程度上让两个任务保持一种相对的独立。但是VIT不涉及到MLM这种形式的任务，只会有一个多分类任务，所以CLS符号不是必须的。
位置编码
为了保持输入图像patch之间的空间位置信息，还需要对图像块嵌入中添加一个位置编码向量，如上式中的Epos所示，ViT的位置编码没有使用更新的2D位置嵌入方法，而是直接用的一维可学习的位置嵌入变量，原先是论文作者发现实际使用时2D并没有展现出比1D更好的效果。
1.4 输入到TRM模型
输入之后先过一个Normalization层，在进入自注意力层，输出与输入做一个残差，在输入到Normalization，输入到前馈神经网络，在过一个残差，有几个Encoder就做几次，最终得到的每一个token都会生成一个输出。
1.5 CLS输出做多分类任务
把第一个CLS输出拿出来做多分类任务
2.代码
import torch
from torch import nn
from einops import rearrange, repeat
from einops.layers.torch import Rearrange
# helpers
def pair(t):
return t if isinstance(t, tuple) else (t, t)
# classes
class PreNorm(nn.Module):
def __init__(self, dim, fn):
super().__init__()
self.norm = nn.LayerNorm(dim)
self.fn = fn
def 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)
# 多头注意力机制实现
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
self.attend = nn.Softmax(dim = -1)
self.to_qkv = nn.Linear(dim, inner_dim * 3, bias = False) # 把dim维度映射到inner_dim * 3这个维度
self.to_out = nn.Sequential(
nn.Linear(inner_dim, dim),
nn.Dropout(dropout)
) if project_out else nn.Identity()
def forward(self, x):
qkv = self.to_qkv(x).chunk(3, dim = -1) # 对tensor张量分块 x :1*197*1024 qkv 最后是一个元组，tuple，长度是3，每个元素形状：1 197 1024
q, k, v = map(lambda t: rearrange(t, 'b n (h d) -> b h n d', h = self.heads), qkv)
dots = torch.matmul(q, k.transpose(-1, -2)) * self.scale
attn = self.attend(dots)
out = torch.matmul(attn, v) # 乘以对应的v矩阵
out = rearrange(out, 'b h n d -> b n (h d)') # 做一个形状的变化
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([])
# 把多个encoder堆叠在一起
for _ in range(depth):
self.layers.append(nn.ModuleList([
PreNorm(dim, Attention(dim, heads = heads, dim_head = dim_head, dropout = dropout)), # 多头注意力机制
PreNorm(dim, FeedForward(dim, mlp_dim, dropout = dropout)) # 前馈神经网络
]))
def forward(self, x):
for attn, ff in self.layers:
x = attn(x) + x
x = ff(x) + x
return x
# 整体架构
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) ## 224*224
patch_height, patch_width = pair(patch_size)## 16 * 16
assert 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) # 图片分割成多少个patch
patch_dim = channels * patch_height * patch_width # 拉平：patch的宽和高乘通道数
assert pool in {'cls', 'mean'}, 'pool type must be either cls (cls token) or mean (mean pooling)'
# 图片拉平映射到encoder我们自己规定的模型里
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),
)
self.pos_embedding = nn.Parameter(torch.randn(1, num_patches + 1, dim)) # 生成所有位置编码
self.cls_token = nn.Parameter(torch.randn(1, 1, dim)) # 生成CLS token的初始化参数
self.dropout = nn.Dropout(emb_dropout)
self.transformer = Transformer(dim, depth, heads, dim_head, mlp_dim, dropout) # 输入解决了之后，把它放到TRM中
self.pool = pool
self.to_latent = nn.Identity()
self.mlp_head = nn.Sequential(
nn.LayerNorm(dim),
nn.Linear(dim, num_classes)
)
def forward(self, img):
x = self.to_patch_embedding(img) # img betch：1 通道3 224 224 输出形状x : 1*196*1024
b, n, _ = x.shape ##
cls_tokens = repeat(self.cls_token, '() n d -> b n d', b = b) # 复制b份，每一个betchsize都要加一个CLS符号
x = torch.cat((cls_tokens, x), dim=1) # 把CLS的tokens Embedding 和Patch Embedding进行拼接
x += self.pos_embedding[:, :(n + 1)] # 相加
x = self.dropout(x)
x = self.transformer(x)
x = x.mean(dim = 1) if self.pool == 'mean' else x[:, 0]
x = self.to_latent(x)
return self.mlp_head(x)
v = ViT(
image_size = 224, # 输入图像大小
patch_size = 16, # 切分的每一块的大小
num_classes = 1000, # 最后CLS拿出来的映射到多少个维度上，类别上
dim = 1024,
depth = 6, # encoder层数
heads = 16, # 多头注意力机制参数
mlp_dim = 2048,
dropout = 0.1,
emb_dropout = 0.1
)
img = torch.randn(1, 3, 224, 224)
preds = v(img) # (1, 1000)3.总结一下下
想总结，总结不太出来，就是这东西很简单，感觉没啥，但是又搞不太懂，先发出去，以后有机会在改。