文章目录
前言
本文记录下swin_transformer的令我比较困惑的部分：相对位置编码和滑动窗口自注意力。非常感谢大佬的解析：知乎链接。本篇博客只是在该知乎链接基础上分析下源代码，建议读者先理解上述链接解析。
1、模型总体结构
swin_transformer的结构对标的是resnet，即特征图每经过一个stage尺寸降倍，通道数翻倍。简单说下网络的流程：假设输入图像大小为2242243，则首先经过patch partion和Linear embedding模块转成565696的特征图，上图中C=96；之后每经过一个stage则借助patch merging模块来使得特征图尺寸降倍，通道数翻倍，最终经过32倍下采样后得到77768的特征图。
下面我将按照上述流程对比较重要的模块进行源码分析。
2、Patch Partion + Linear Embedding
假设输入特征图大小为(224,224,3)，则Patch Partion操作将特征图划分成443大小的patch，即(56,56,4,4,3)然后将后三个维度整合，即得到(56,56,48)；然后经过Linear Embedding将最后一个维度48映射成96。
但实际在编写代码时，上述过程可以直接用96个核大小为4，步长为4的卷积操作实现：
patch_size = 4
proj = nn.Conv2d(in_chans=3, embed_dim=96, kernel_size=patch_size, stride=patch_size)
# forward
x = torch.randn(1,3,224,224)
x = proj(x).flatten(2).transpose(1, 2) # [1,96,56,56] --> [1,96,3136] --> [1,3136,96]
通过上述操作便得到3136个tokens，其中每个token含有96维数据。
3. Patch Merging
继续按照流程图所示，在得到 [1,3136,96] 的特征后，便经过若干个stage，每个stage内部的block后续会讲，只需知道经过block后输入输出尺寸一致即可。为了后续示意图方便，假设出了stage2后，便得到[1,28*28,192]的特征，现在需要进行第三个stage，但前提得经过一步Patch Merging的操作：将特征图尺寸降倍，同时将通道数翻倍。 看代码是如何实现该过程的：
class PatchMerging(nn.Module):
r""" Patch Merging Layer.
Args:
input_resolution (tuple[int]): Resolution of input feature.
dim (int): Number of input channels.
norm_layer (nn.Module, optional): Normalization layer. Default: nn.LayerNorm
"""
def __init__(self, input_resolution, dim, norm_layer=nn.LayerNorm):
super().__init__()
self.input_resolution = input_resolution # 输入图像的分辨率
self.dim = dim # 输入图像的通道数目
self.reduction = nn.Linear(4 * dim, 2 * dim, bias=False) # 定义一个降采样倍的linear层
self.norm = norm_layer(4 * dim)
def forward(self, x):
"""
x: B, H*W, C
"""
H, W = self.input_resolution
B, L, C = x.shape
assert L == H * W, "input feature has wrong size"
assert H % 2 == 0 and W % 2 == 0, f"x size ({
H}*{
W}) are not even."
x = x.view(B, H, W, C)
# 横纵两个方向奇偶不重叠切片
x0 = x[:, 0::2, 0::2, :] # B H/2 W/2 C
x1 = x[:, 1::2, 0::2, :] # B H/2 W/2 C
x2 = x[:, 0::2, 1::2, :] # B H/2 W/2 C
x3 = x[:, 1::2, 1::2, :] # B H/2 W/2 C
# 采样后则宽和高下采样两倍，通道数增加了4倍
x = torch.cat([x0, x1, x2, x3], -1) # B H/2 W/2 4*C
x = x.view(B, -1, 4 * C) # B H/2*W/2 4*C
x = self.norm(x)
x = self.reduction(x) # 利用线性层将通道数压缩2倍
return x
if __name__ == '__main__':
x = torch.randn(1,784,192)
patch_merge = PatchMerging(input_resolution=(28,28), dim = 192)
x = patch_merge(x) # [1,196,384]，特征图tokens下采样四倍，通道数翻倍
上述代码我基本做了详细注释，这里在给一个示意草稿图说明下：
通过上述操作，便实现了类似cnn中max pooling操作。
4. window attention
4.1 划分window
在经过patch merging之后，便得到了[1,14*14,384]的特征图。swin transformer的一大优势就是克服了自注意力高额计算量的缺点，而实现手段就是将特征图划分成小的window，然后在每个window内部的tokens之间计算自注意力。 因此，首先看下如何将特征图划分成大小为 7*7的window的。
def window_partion(x, window_size):
'''
input:
x: [b,h,w,c]
window_size:论文指定为7
return: window:[num_widows * B, window_size, window_size, c]
'''
b,h,w,c = x.shape
x = x.view(b, h//window_size, window_size, w//window_size, window_size, c)
windows = x.permute(0,1,3,2,4,5) # [b, h// window, w//window_size, window_size, window_size, c]
windows = windows.contiguous().view(-1,window_size,window_size,c)
return windows
为了更加直观的看出切出来的window，我这里简单写了一个demo：假设特征图尺寸为14*14，window_size = 7，打印如下：
# 创建一个14*14的特征图，则能够划分成4个7*7的window
# 为了方便展示，将每个window内部的value分别设为0,1,2,3
x = torch.zeros((14,14))
x[0:7,0:7] = 0
x[0:7,7:] = 1
x[7:, 0:7] = 2
x[7:, 7:] = 3
# 划分window
x = x.view( 14//7,7, 14//7, 7)
x = x.permute(0,2,1,3).contiguous().view(-1,7,7)
print(x)
4.2. 相对位置编码
现在假如已经将[1,14*14,384]的特征图划分成4个7*7*384的window了，在给每个window计算self-attn之前，根据transformer的思想，需要给每个window内部的位置进行位置编码，swin transformer采用的是相对位置编码，简单说下流程：一个window的大小为7*7，则左上角坐标(0,0)和右下角坐标(6,6)的相对位置编码为(-6,-6)和(6,6)。即每个window内部的位置取值为[-6,6]共13个数值即可；若采用2d位置编码，则总共需要13*13即可。 用公式表示就是：假设window_size = M，则相对位置编码的值域为 [-2M+1,2M-1]。 然后看下这部分实现的源码，创建了一个表：
# 用nn.Parameter对(2M-1,2M-1)进行了封装，这部分参数是可学习的
self.relative_position_bias_table = nn.Parameter(
torch.zeros((2 * window_size[0] - 1) * (2 * window_size[1] - 1), num_heads))
在创建完相对位置编码表之后，便需要对特征图的每个位置进行相对位置的编码。这里我首先贴下代码：
# get pair-wise relative position index for each token inside the window
coords_h = torch.arange(self.window_size[0])
coords_w = torch.arange(self.window_size[1])
coords = torch.stack(torch.meshgrid([coords_h, coords_w])) # 2, Wh, Ww
coords_flatten = torch.flatten(coords, 1) # 2, Wh*Ww
relative_coords = coords_flatten[:, :, None] - coords_flatten[:, None, :] # 2, Wh*Ww, Wh*Ww
relative_coords = relative_coords.permute(1, 2, 0).contiguous() # Wh*Ww, Wh*Ww, 2
relative_coords[:, :, 0] += self.window_size[0] - 1 # shift to start from 0
relative_coords[:, :, 1] += self.window_size[1] - 1
relative_coords[:, :, 0] *= 2 * self.window_size[1] - 1
relative_position_index = relative_coords.sum(-1) # Wh*Ww, Wh*Ww
self.register_buffer("relative_position_index", relative_position_index)
是不是一头雾水？没事，咱也整个图解相对位置编码。为了方便可视化，这里仅以2*2大小的window为例，即上述window_size=(2,2)，下图反应了上述代码的执行过程。
在实际使用中，仅需按照每个特征图的相对位置值的索引从tabel中索引即可。
relative_position_bias = self.relative_position_bias_table[self.relative_position_index.view(-1)].view(
self.window_size[0] * self.window_size[1], self.window_size[0] * self.window_size[1], -1) # Wh*Ww,Wh*Ww,nH
4.3. window_attn
其实window atten和自注意力的代码一致，仅仅多了一个window的维度，看下代码：输入是经过window_partion函数的特征图x。mask先暂时不管。
class WindowAttention(nn.Module):
r""" Window based multi-head self attention (W-MSA) module with relative position bias.
It supports both of shifted and non-shifted window.
Args:
dim (int): Number of input channels.
window_size (tuple[int]): The height and width of the window.
num_heads (int): Number of attention heads.
qkv_bias (bool, optional): If True, add a learnable bias to query, key, value. Default: True
qk_scale (float | None, optional): Override default qk scale of head_dim ** -0.5 if set
attn_drop (float, optional): Dropout ratio of attention weight. Default: 0.0
proj_drop (float, optional): Dropout ratio of output. Default: 0.0
"""
def __init__(self, dim, window_size, num_heads, qkv_bias=True, qk_scale=None, attn_drop=0., proj_drop=0.):
super().__init__()
self.dim = dim
self.window_size = window_size # Wh, Ww
self.num_heads = num_heads
head_dim = dim // num_heads
# 尺度变换系数
self.scale = qk_scale or head_dim ** -0.5
# 创建三个qkv的全连接层
self.qkv = nn.Linear(dim, dim * 3, bias=qkv_bias)
self.attn_drop = nn.Dropout(attn_drop)
self.proj = nn.Linear(dim, dim)
self.proj_drop = nn.Dropout(proj_drop)
#初始化
trunc_normal_(self.relative_position_bias_table, std=.02)
self.softmax = nn.Softmax(dim=-1)
def forward(self, x, mask=None):
"""
Args:
x: input features with shape of (num_windows*B, N, C)
mask: (0/-inf) mask with shape of (num_windows, Wh*Ww, Wh*Ww) or None
"""
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)
q, k, v = qkv[0], qkv[1], qkv[2] # make torchscript happy (cannot use tensor as tuple)
q = q * self.scale
attn = (q @ k.transpose(-2, -1))
# 获取相对位置编码并加到attn上
relative_position_bias = self.relative_position_bias_table[self.relative_position_index.view(-1)].view(
self.window_size[0] * self.window_size[1], self.window_size[0] * self.window_size[1], -1) # Wh*Ww,Wh*Ww,nH
relative_position_bias = relative_position_bias.permute(2, 0, 1).contiguous() # nH, Wh*Ww, Wh*Ww
attn = attn + relative_position_bias.unsqueeze(0)
if mask is not None:
nW = mask.shape[0]
attn = attn.view(B_ // nW, nW, self.num_heads, N, N) + mask.unsqueeze(1).unsqueeze(0)
attn = attn.view(-1, self.num_heads, N, N)
attn = self.softmax(attn)
# 经过softmax
else:
attn = self.softmax(attn)
# 经过dropout
attn = self.attn_drop(attn)
x = (attn @ v).transpose(1, 2).reshape(B_, N, C)
x = self.proj(x)
x = self.proj_drop(x)
return x
5. shift window attn
window attn仅在每个window内部进行了信息交互，但window与window之间没有信息交互，类似于缺乏CNN的共享权重的过程。于是swin transformer设计了shift window attn模块。如下图所示，若切成不同大小的window，本来只需进行四个attention即可，但切了之后，会增加至9个Windows，会导致计算量增大。于是设计了一个高效的批次注意力，无需增加计算量，而所用到的工具就是使用了mask。：
接下来我介绍下如何实现的。为了方便可视化，假设特征图4*4，window_size=（2,2）。代码实现主要分为两部分：一个是特征图，另一个是mask。如下图所示，先对特征图进行了两步roll操作：
x = torch.tensor([[[[1],[2],[3],[4]],[[5],[6],[7],[8]],[[9],[10],[11],[12]],[[13],[14],[15],[16]]]])
x = x.squeeze(-1)
print(x)
shift_size = 1 # 移动的距离是window_size的一半，即2//2=1
shifted_x = torch.roll(
x,
shifts=(-shift_size, -shift_size),
dims=(1, 2))
print(shifted_x)
然后看下mask的生成过程。
Hp = Wp = 4
img_mask = torch.zeros((1, Hp, Wp, 1)) # 创建一个和原始特征图同样大小的全0mask
window_size = 2
shift_size = 2 // 2
# 切片
h_slices = (slice(0, -window_size),
slice(-window_size, -shift_size),
slice(-shift_size, None))
w_slices = (slice(0, -window_size),
slice(-window_size, -shift_size),
slice(-shift_size, None))
cnt = 0
for h in h_slices:
for w in w_slices:
img_mask[:, h, w, :] = cnt
cnt += 1
# [1,4,4,1] --> [4,2,2,1]
# num_window*b, 2,2,1，总共有四个window，每个window的坐标[2,2,1]
mask_windows = window_partition(img_mask, window_size) # nW, window_size,
# [4,2,2,1] --> [4,4]
mask_windows = mask_windows.view(-1, window_size * window_size)
'''
拉平
tensor([[0., 0., 0., 0.],
[1., 2., 1., 2.],
[3., 3., 6., 6.],
[4., 5., 7., 8.]])
'''
# [4,1,4] - [4,4,1] --> broadcast [4,4,4] - [4,4,4] = [4,4,4]
attn_mask = mask_windows.unsqueeze(1) - mask_windows.unsqueeze(2)
attn_mask = attn_mask.masked_fill(attn_mask != 0, float(-100.0)).masked_fill(attn_mask == 0, float(0.0))
register_buffer("attn_mask", attn_mask)
通过上述代码便实现了4个下图所示的mask，上述代码内部逻辑我也有点理不清，不过知道生成下述四个mask即可。
在有了特征图和mask之后，便送到了window_attention类计算注意力，不过在计算之前，先计算四个window的attn矩阵。
在有了四个attn之后，便可以和4个mask分别进行相加，来使得mask==0的地方信息保留，mask==-100的地方信息泄露。举例来说，以attn2和mask2为例：
x2 = torch.tensor([[8],[5],[12],[9]]) # [4,1]
attn2 = x2 @ x2.transpose(-1,-2)
'''
tensor([[64, 40, 96, 72],
[40, 25, 60, 45],
[96, 60, 144, 108],
[72, 45, 108, 81]])
'''
在原始特征图中，元素8和5属于同一个window，不应该和12和9计算自注意力，因为二者相隔太远。比如天空和大地两个语义就很远，没必要产生信息交互。于是需要用mask2来遮挡住这两部分元素的自注意力。后续经过softmax后-100的位置会变为0。
最终在计算完注意力之后，然后在将特征图roll回去即可。
if self.shift_size > 0:
x = torch.roll(shifted_x, shifts=(self.shift_size, self.shift_size), dims=(1, 2))
网络
最终网络将上述模块进行堆叠即得到了swin transformer结构。
总结
后续会出swinV2的解读，若有问题，欢迎+vx: wulele2541612007，拉进群讨论。