【transformer】动手学ViT

news2024/11/20 14:17:02

AN IMAGE IS WORTH 16X16 WORDS: TRANSFORMERS FOR IMAGE RECOGNITION AT SCALE

  • 摘要
  • Method
  • 实验
  • 代码-基于pytorch
  • Training Visual Transformer on Dogs vs Cats Data
  • 注释
  • 一些词汇

ICLR2021

一幅图像值16x16个字:用于图像识别的transformers
将纯Transformer结构运用在CV中

Code

title截图

摘要

虽然Transformer架构已经成为NLP标准,但它在CV上的应用仍然有限。在CV中,attention要么与卷积网络一起应用,要么用于替换卷积网络的某些组件,同时保持其整体结构不变。作者认为这种对CNN的依赖是不必要的,直接应用于图像patch序列的纯transformer可以在图像分类任务上表现得非常好。当对大量数据进行预训练并传输到多个中型或小型图像识别基准(ImageNet, CIFAR-100, VTAB等)时,Vision Transformer (ViT)与最先进的卷积网络相比获得了出色的结果,同时需要更少的计算资源来训练。

Method

在模型设计上尽可能遵循原来的Transformer[1],对整个图像分类流程进行最少的修改,可扩展性强,以至于启发了后续大量的相关研究。
Model overview
patch0是一个整合信息的可学习向量,用来对该图像进行分类,我们通常将人为增加的这个向量称为 Class Token。【因为原始输出的1-9向量单用都不合适,全用计算量又太大】
图像切分重排之后就失去了位置信息,所以需要加上位置信息(positional embedding)重新传进网络。【注意位置编码的操作是sum,而不是concat】👇

# 构造patch0
cls_tokens = repeat(self.cls_token, '() n d ->b n d', b = b)
x = torch.cat((cls_tokens, x), dim = 1)
# positional embedding
x += self.pos_embedding[:, :(n+1)]
x = self.dropout(x)

标准Transformer接收的输入是token embedding的1维序列,而对于2维的图像输入,我们将其reshape为平面2维的patch。
Transformer使用大小为D的常数向量在所有层中传递,所以我们拉平图像块,使用可训练的线性投影映射到D维。我们把这个投影的输出称为patch embeddings。
图像切分重排👇

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), #图片切分重排
            nn.Linear(patch_dim, dim), # Linear Projection of Flattened Patches
        )

主要结构:

  • Transformer的编码器由交替的多头自注意力(MSA)与多层感知机(MLP)模块组成。
x = self.transformer(x)

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))
            ]))
    def forward(self, x):
        for attn, ff in self.layers:
            x = attn(x) + x
            x = ff(x) + x
        return x
  • Linear Projection of Flattened Patches(embedding层),线性操作降维到D。
nn.Linear(patch_dim, dim) # patch_dim = channels * patch_height * patch_width
  • ViT中使用了 MLP Head对输出进行分类处理,这里的 MLP Head 由 LayerNorm 和两层全连接层组成,并且采用了 GELU 激活函数。👇
# layer norm
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)
# 一层FC,然后gelu,再FC层
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)

实验

ViT模型变体的细节设置👇
在这里插入图片描述

使用大规模数据集预训练后的 ViT 算法,迁移到其他小规模数据集进行训练,与使用 CNN 结构的SOTA算法精度对比👇
在这里插入图片描述

代码-基于pytorch

vit-pytorch
不是原论文提供的代码
在这里插入图片描述131行

import torch
from torch import nn, einsum
import torch.nn.functional as F

from einops import rearrange, repeat
from einops.layers.torch import Rearrange

# helpers
#如果输入不是个tuple就返回一个tuple
def pair(t):
    return t if isinstance(t, tuple) else (t, t)

# classes
#layer norm
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)
#fc层,过一层fc,然后gelu,然后再fc
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)
#attention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)

        self.to_out = nn.Sequential(
            nn.Linear(inner_dim, dim),
            nn.Dropout(dropout)
        ) if project_out else nn.Identity()

    def forward(self, x):
        b, n, _, h = *x.shape, self.heads
        #得到qkv
        qkv = self.to_qkv(x).chunk(3, dim = -1)
        #切分qkv
        q, k, v = map(lambda t: rearrange(t, 'b n (h d) -> b h n d', h = h), qkv)
        #dot product后除以根号下norm
        dots = einsum('b h i d, b h j d -> b h i j', q, k) * self.scale
        #softmax
        attn = self.attend(dots)
        #乘到v上,再sum,得到z
        out = einsum('b h i j, b h j d -> b h i d', attn, v)
        #整理shape输出
        out = rearrange(out, 'b h n d -> b n (h d)')
        return self.to_out(out)
#transformer block,分成了attention实现和fc实现两部分
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))
            ]))
    def forward(self, x):
        #内部主要负责实现block的前向部分。
        for attn, ff in self.layers:
            x = attn(x) + x
            x = ff(x) + x
        return x

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)
        patch_height, patch_width = pair(patch_size)

        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)
        patch_dim = channels * patch_height * patch_width
        assert pool in {'cls', 'mean'}, 'pool type must be either cls (cls token) or mean (mean pooling)'

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

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

        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):
        #输入端适配
        x = self.to_patch_embedding(img)
        b, n, _ = x.shape
        #引入patch 0
        cls_tokens = repeat(self.cls_token, '() n d -> b n d', b = b)
        x = torch.cat((cls_tokens, x), dim=1)
        #positional embedding
        x += self.pos_embedding[:, :(n + 1)]
        x = self.dropout(x)
        #Transformer前向
        x = self.transformer(x)
        #拿到最后输入进mlp的patch
        x = x.mean(dim = 1) if self.pool == 'mean' else x[:, 0]
        x = self.to_latent(x)
        return self.mlp_head(x)

Training Visual Transformer on Dogs vs Cats Data

在这里插入图片描述
线性注意力(linear attention)机制将序列划分成固定大小的块,并仅对每个块内的元素进行注意力计算,而不是全局计算。通过将线性注意力引入传统的Transformer模型,Linformer能够更有效地处理长序列数据。

注释

[1] Ashish Vaswani.Attention is all you need,NIPS,2017
[2] 基于paddlepaddle2.1 | 深入理解图像分类中的Transformer-Vit,DeiT
[3] ViT猫狗大战示例


一些词汇

saturating performance 饱和性能
unprecedented 空前的
substantially 本质上;大体上
de-facto 事实上的
scalability 可扩展性

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:http://www.coloradmin.cn/o/1000723.html

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈,一经查实,立即删除!

相关文章

基于SSM的中小企业人力资源管理系统设计与实现

末尾获取源码 开发语言:Java Java开发工具:JDK1.8 后端框架:SSM 前端:采用JSP技术开发 数据库:MySQL5.7和Navicat管理工具结合 服务器:Tomcat8.5 开发软件:IDEA / Eclipse 是否Maven项目&#x…

计算机网络第五章——传输层(下)

安得广厦千万间,大庇天下寒士俱欢颜 文章目录 按序的不丢失的,这个校验也是二进制求反码来判断有没有发送错误, TCP传输的时候就是以一个字节为单位,所以就会把一个字节编一个序号,对于一个文件第一个需要是多少是可以…

MySQL的权限管理与远程访问

MySQL的权限管理 1、授予权限 授权命令: grant 权限1,权限2,…权限n on 数据库名称.表名称 to 用户名用户地址 identified by ‘连接口令’; 该权限如果发现没有该用户,则会直接新建一个用户。 比如 grant select,insert,delete,drop on atguigudb.…

Prometheus+Grafana可视化监控【主机状态】

文章目录 一、介绍二、安装Prometheus三、安装Grafana四、Pronetheus和Grafana相关联五、监控服务器状态六、常见问题 一、介绍 Prometheus是一个开源的系统监控和报警系统,现在已经加入到CNCF基金会,成为继k8s之后第二个在CNCF托管的项目,在…

RunnerGo:让你的性能测试变得轻松简单

在当今这个数字化时代,应用程序的性能至关重要。一款可靠的性能测试工具,能够为企业带来无数的好处。最近,一款名为RunnerGo的开源性能测试工具备受瞩目。本文将详细介绍RunnerGo的特点、优势以及如何解决性能测试中的痛点。 RunnerGo产品介绍…

OpenLayers入门,读取wkt格式数据,OpenLayers解析并显示wkt格式的要素数据

专栏目录: OpenLayers入门教程汇总目录 前言 本章介绍OpenLayers如何解析并显示wkt格式的要素数据。 使用Point(点)、(LINESTRING)线,和(POLYGON)多变形的wkt数据进行演示。 wkt介绍请参考博主另一篇文章《GIS入门,WKT格式详解》. 二、依赖和使用 "ol": …

【SpringMVC】拦截器JSR303的使用

目录 一、JSR303 1.1.什么是JSR303 1.2.为什么使用JSR303 1.3.常用注解 1.4.Validated与Valid区别 1.5.JSR快速入门 1.5.1.导入依赖 1.5.2.配置校验规则 1.5.3.入门案例 二、拦截器 2.1什么是拦截器 2.2.拦截器与过滤器 2.3.应用场景 2.4.拦截器快速入门 2.4.1.…

网络安全知识

一、什么是网络安全? 网络安全,通常指计算机网络的安全,实际上也可以指计算机通信网络的安全。计算机通信网络是将若干台具有独立功能的计算机通过通信设备及传输媒体互连起来,在通信软件的支持下,实现计算机间的信息传…

第七届蓝帽杯初赛 取证部分复现

取证案情介绍: 2021年5月,公安机关侦破了一起投资理财诈骗类案件,受害人陈昊民向公安机关报案称其在微信上认识一名昵称为yang88的网友,在其诱导下通过一款名为维斯塔斯的APP,进行投资理财,被诈骗6万余万元…

LLFormer 论文阅读笔记

Ultra-High-Definition Low-Light Image Enhancement: A Benchmark and Transformer-Based Method 这是南京大学在AAAI 2023发表的一篇AAAI2023 超高清图像暗图增强的工作。提出了一个超高清暗图增强数据集,提供了4K和8K的图片,同时提出了一个可用于暗图…

新掌门蔡崇信,能否“再救”阿里?

文 | 琥珀消研社 作者 | 积溪 琥珀消研社快评:蔡崇信成了阿里最新一届CEO,从幕后走到了台前,阿里的神话还会被续写吗?#阿里 #马云 #蔡崇信 外面人常说 淘宝是靠败家女人撑大的 但你要让马爸爸讲几句 他肯定会说 阿里现在能…

哨兵1号(Sentinel-1)SAR卫星介绍

1. 哥白尼计划 说起欧空局的哨兵1号,就不得不先说一下欧空局的“哥白尼计划”。 欧空局的哥白尼计划(Copernicus Programme)是欧空局与欧盟合作的一项极其重要的地球观测计划。该计划旨在提供免费开放的、可持续的地球观测数据&#xff0c…

Insert into select语句把生产服务器炸了,Insert into select非常慢时如何优化

Insert into select请慎用。这天xxx接到一个需求,需要将表A的数据迁移到表B中去做一个备份。本想通过程序先查询查出来然后批量插入。但xxx觉得这样有点慢,需要耗费大量的网络I/O,决定采取别的方法进行实现。通过在Baidu的海洋里遨游,他发现了可以使用insert into select实…

MC-4/11/10/400 ELAU 操作员界面旨在帮助优化系统开发

MC-4/11/10/400 ELAU 操作员界面旨在帮助优化系统开发 作为海洋认证流程的一部分,根据海洋协会和国际电工委员会 (IEC) 标准的规定,对产品进行测试,以评估其在高湿度、极热和极冷温度、振动和电磁兼容性方面的性能。这些产品还经过评估&…

微信自动打招呼自动回复

点击蓝字 关注我们 微信无疑是我们日常生活中最常用的社交工具之一。但是,你有没有感觉到,每天都要花费大量时间去添加好友、回复简单咨询消息和打招呼,是一件很烦琐的事情呢?如果你也有这样的困扰,那么今天就给大家介…

【Linux】让笔记本发挥余热,Ubuntu20.04设置WiFi热点

Ubuntu20.04设置WiFi热点 由于卧室距离客厅较远,wifi信号太弱,体验极差。鉴于卧室的笔记本电脑是通过网线连接的客厅路由器,因此考虑将这台老破笔记本作为“路由器”,以便发挥它的余热。实验证明,上网速度提升数十倍&a…

如何开启Linux的SSH服务?sudo service ssh start和sudo systemctl enable ssh两种不同的开启方式有什么区别?

问题描述 今天遇到一个有趣的事情,用另一台机器ssh我的机器竟然不work了,这是什么情况呢? 解决方法 于是我就在网上搜 “linux开启ssh” “把自身linux电脑作为服务器让其他机器链接” “把自身linux电脑作为服务器让其他机器链接linux命令”…

用shell脚本实现一个对数组求和的函数,数组通过实参传递给函数,写一个函数,输出当前用户的uid和gid,并使用变量接收结果

目录 1.实现一个对数组求和的函数,数组通过实参传递给函数 结果为: 2.写一个函数,输出当前用户的uid和id,并使用变量接收结果 结果为: shell脚本指令前七个网页链接: 八、shell中的分支语句 【1】ife…

CFTC可能比SEC更可怕,将监管炮口直接对准DeFi?

还未开始享受Uniswap在法庭上为DeFi行业带来的“胜利果实”,美国商品期货委员会(CFTC)在一个星期之后立即将其无情砸碎,并将其监管大炮直接对准了DeFi衍生品市场,乃至整个DeFi行业。 2023年9月7日,CFTC宣布…

【小程序/APP 备案】什么样的小程序/APP需要备案,备案要求是什么?

博主:_LJaXi 专栏: uni-app | 小程序开发 开发工具:无 什么样的小程序需要备案? 根据最新相关政策规定,从2023年9月1日起,所有的移动应用程序(APP)和小程序都需要进行备案。这个政策…