太…完整了！同济大佬唐宇迪博士终于把【Transformer】入门到精通全套课程分享出来了，最新前沿方向

学习笔记

---

VIT

eg，图片分块，10x10x3 的 patch 通过 conv 拉成向量，就无缝对接了

位置编码可以多种方式，一维序号，二维坐标，无

位置编码 0 这里的 token，为分类任务设计的，encoder 堆叠后（self-attention），0 位置上的 token 已有了全局信息，最后把 0 位置上的特征向量作为分类特征就行

分类仅用到了 encoder，检测任务中会用到 decoder

CNN 的缺点

层多，每一层需要设计

需要的数据比较多，比较难训练

eg， patch P 为 14*14，C 为 256， D 为 512
Epos 是位置编码
MSA 是 multi-head self-attention
LN 是 layer normalization

多层共用一个位置编码即可，不用每层都用

仅能反应分类任务的规律，检测可能 2D 位置编码还是更好

下面跟随数据的维度和代码（我也没有，哈哈）看看整体流程

（1）embedding

输入 [16，3，224，224]

cls token = [16，1，768]

• 768 超参， hidden size

patch = 16，划分的方式如下。输入通道 3，输出通道 768，kernel size =16, stride = 16 的 conv 把图片分成 patch，[16，768，14，14]

• 16x14 = 224

拉长一下成向量，[16，768，196]，transpose 一下成 [16，196，768]

• batch 16，每个 batch 196 个 token，每个 token 的特征维度是 768

加上 position embedding，维度为 [16，197，768]

• 
  每个 batch 的位置编码一样，所以第一个维度是 1
  
  

（2）encoder

LN [16，197，768]

query （fc）[16，197，768]
key （fc）[16，197，768]
value（fc）[16，197，768]

q，k，v transpose for score [16，197，768]->[16，197，12，64]->[16，12，197，64]，12 表示共有 12 个 multi-head attention，197 个 token，每个 token 64 维的特征

q，k 内积 attention score [16，12，197，197]，197 个 token 间相互的关系

归一化，消除数量的影响

再接一个 softmax 计算出来权重

权重乘以 v，重构了特征得到 [16，12，197，64]，还原回去得到 [16，197，768]

再来个 fc 层，和输入来个 res 结构

[16，197，768]

继续

再来个 layer norm + MLP + res

重复执行 L 次，输出选第 0 个 token 作为预测

接个 fc 得到 logits，eg：[16，197，768]->[16，768]->[16，10] 十分类

TNT

conv 是基于每个空间位置进行的，相比于来说 patch 过于大了，可以把patch 进一步细分，

类似于 focus，eg $16\ast 16\ast 3$ 变成 $4\ast 4\ast 28$

内部 transformer 得到的结果和外部 transformer 得到的结果相加

T-SNE 蓝色特征更发散一些（更能分得开）

方差越大，特征越鲜明，越容易区分