自2017年**“注意力就是一切”**的理念问世以来,Transformer模型便迅速在自然语言处理(NLP)领域崭露头角,确立了其领先地位。到了2021年,“一张图片等于16x16个单词”的理念成功将Transformer模型引入计算机视觉任务中。自此之后,众多基于Transformer的架构纷纷涌现,应用于计算机视觉领域。
本文将详细介绍“一张图片等于16x16个单词”中阐述的Vision Transformer(ViT),包括其开源代码和对各组件的概念解释。所有代码均使用PyTorch Python包实现。
本文作为一系列深入研究Vision Transformers内部工作原理的文章之一,提供了可执行代码的Jupyter Notebook版本。系列中的其他文章还包括:Vision Transformers解析、注意力机制在Vision Transformers中的应用、Vision Transformers的位置编码解析、Tokens-to-Token Vision Transformers解析以及Vision Transformers解析系列的GitHub仓库等。
那么,什么是Vision Transformers呢?正如“注意力就是一切”所介绍的,Transformer是一种利用注意力机制作为主要学习机制的机器学习模型。它迅速成为序列到序列任务(如语言翻译)的领先技术。
**“一张图片等于16x16个单词”**成功地改进了[1]中提出的Transformer,使其能够应对图像分类任务,从而催生了Vision Transformer(ViT)。ViT与[1]中的Transformer一样,基于注意力机制。不过,与用于NLP任务的Transformer包含编码器和解码器两个注意力分支不同,ViT仅使用编码器。编码器的输出随后传递给神经网络“头”进行预测。
然而,“一张图片等于16x16个单词”中实现的ViT存在一个缺点,即其最佳性能需要在大型数据集上进行预训练。最佳模型是在专有的JFT-300M数据集上预训练的。而在较小的开源ImageNet-21k数据集上进行预训练的模型,其性能与最先进的卷积ResNet模型相当。
Tokens-to-Token ViT: Training Vision Transformers from Scratch on ImageNet则试图通过引入一种新颖的预处理方法,将输入图像转换为一系列token,从而消除这种预训练要求。有关此方法的更多信息,请查阅相关资料。在本文中,我们将重点讨论“一张图片等于16x16个单词”中实现的ViT。
模型解析
本文遵循《一张图片等于16x16个单词》中概述的模型结构。然而,该论文的代码并未公开发布。最近的《Tokens-to-Token ViT》中的代码可在GitHub上找到。Tokens-to-Token ViT(T2T-ViT)模型在普通ViT骨干结构前添加了一个Tokens-to-Token(T2T)模块。本文中的代码基于《Tokens-to-Token ViT》GitHub代码中的ViT组件。本文对代码进行了修改,以允许非方形输入图像,并移除了dropout层。
ViT模型的结构示意图如下所示。
ViT模型示意图
图像Token化
ViT的第一步是从输入图像创建Token。Transformer操作的是一系列Token;在NLP中,这通常是一个句子的单词。对于计算机视觉来说,如何将输入分段成Token并不太明确。
ViT将图像转换为Token,以便每个Token表示图像的一个局部区域(或补丁)。他们描述了如何将高度H、宽度W和通道数C的图像重新塑造为N个补丁大小为P的Token:
每个Token的长度为P²*C。
让我们以此像素艺术《黄昏下的山》(作者Luis Zuno)为例进行补丁Token化。原始艺术品已被裁剪并转换为单通道图像。这意味着每个像素的值在0到1之间。单通道图像通常以灰度显示,但我们将以紫色配色方案显示它,因为这样更容易看到。请注意,补丁Token化不包括在[3]相关的代码中。
mountains = np.load(os.path.join(figure_path, 'mountains.npy'))`` ``H = mountains.shape[0]``W = mountains.shape[1]``print('Mountain at Dusk is H =', H, 'and W =', W, 'pixels.')``print('\n')`` ``fig = plt.figure(figsize=(10,6))``plt.imshow(mountains, cmap='Purples_r')``plt.xticks(np.arange(-0.5, W+1, 10), labels=np.arange(0, W+1, 10))``plt.yticks(np.arange(-0.5, H+1, 10), labels=np.arange(0, H+1, 10))``plt.clim([0,1])``cbar_ax = fig.add_axes([0.95, .11, 0.05, 0.77])``plt.clim([0, 1])``plt.colorbar(cax=cbar_ax);``#plt.savefig(os.path.join(figure_path, 'mountains.png'))
Mountain at Dusk is H = 60 and W = 100 pixels.
这个图像的高度为H=60,宽度为W=100。我们将设置P=20,因为它能够均匀地整除H和W。
P = 20``N = int((H*W)/(P**2))``print('There will be', N, 'patches, each', P, 'by', str(P)+'.')``print('\n')`` ``fig = plt.figure(figsize=(10,6))``plt.imshow(mountains, cmap='Purples_r')``plt.hlines(np.arange(P, H, P)-0.5, -0.5, W-0.5, color='w')``plt.vlines(np.arange(P, W, P)-0.5, -0.5, H-0.5, color='w')``plt.xticks(np.arange(-0.5, W+1, 10), labels=np.arange(0, W+1, 10))``plt.yticks(np.arange(-0.5, H+1, 10), labels=np.arange(0, H+1, 10))``x_text = np.tile(np.arange(9.5, W, P), 3)``y_text = np.repeat(np.arange(9.5, H, P), 5)``for i in range(1, N+1):` `plt.text(x_text[i-1], y_text[i-1], str(i), color='w', fontsize='xx-large', ha='center')``plt.text(x_text[2], y_text[2], str(3), color='k', fontsize='xx-large', ha='center');``#plt.savefig(os.path.join(figure_path, 'mountain_patches.png'), bbox_inches='tight'
There will be 15 patches, each 20 by 20.
通过将这些补丁展平,我们可以看到生成的Token。让我们以第12个补丁为例,因为它包含了四种不同的色调。
print('Each patch will make a token of length', str(P**2)+'.')``print('\n')`` ``patch12 = mountains[40:60, 20:40]``token12 = patch12.reshape(1, P**2)`` ``fig = plt.figure(figsize=(10,1))``plt.imshow(token12, aspect=10, cmap='Purples_r')``plt.clim([0,1])``plt.xticks(np.arange(-0.5, 401, 50), labels=np.arange(0, 401, 50))``plt.yticks([]);``#plt.savefig(os.path.join(figure_path, 'mountain_token12.png'), bbox_inches='tight')
Each patch will make a token of length 400.
从图像中提取Token后,通常会使用线性投影来改变Token的长度。这通过一个可学习的线性层来实现。新的Token长度被称为潜在维度、通道维度或Token长度。在投影之后,Token不再能够在视觉上被识别为原始图像的补丁。现在我们理解了这个概念,我们可以看看补丁Token化是如何在代码中实现的。
class Patch_Tokenization(nn.Module):` `def __init__(self,` `img_size: tuple[int, int, int]=(1, 1, 60, 100),` `patch_size: int=50,` `token_len: int=768):`` ` `""" Patch Tokenization Module` `Args:` `img_size (tuple[int, int, int]): size of input (channels, height, width)` `patch_size (int): the side length of a square patch` `token_len (int): desired length of an output token` `"""` `super().__init__()`` ` `## Defining Parameters` `self.img_size = img_size` `C, H, W = self.img_size` `self.patch_size = patch_size` `self.token_len = token_len` `assert H % self.patch_size == 0, 'Height of image must be evenly divisible by patch size.'` `assert W % self.patch_size == 0, 'Width of image must be evenly divisible by patch size.'` `self.num_tokens = (H / self.patch_size) * (W / self.patch_size)`` ` `## Defining Layers` `self.split = nn.Unfold(kernel_size=self.patch_size, stride=self.patch_size, padding=0)` `self.project = nn.Linear((self.patch_size**2)*C, token_len)`` ` `def forward(self, x):` `x = self.split(x).transpose(1,0)` `x = self.project(x)` `return x
请注意两个断言语句,确保图像的尺寸可以被补丁大小整除。实际的补丁划分是通过一个torch.nn.Unfold⁵层实现的。
我们将使用我们裁剪的单通道版本的Mountain at Dusk⁴来运行此代码的示例。我们应该看到与之前相同的Token数量和初始Token大小的值。我们将使用token_len=768作为投影长度,这是基本变体的ViT²的大小。
下面代码块中的第一行是将Mountain at Dusk⁴的数据类型从NumPy数组更改为Torch张量。我们还必须对张量进行unsqueeze⁶操作,以创建一个通道维度和一个批处理大小维度。与上面一样,我们只有一个通道。由于只有一个图像,批处理大小为1。
x = torch.from_numpy(mountains).unsqueeze(0).unsqueeze(0).to(torch.float32)``token_len = 768``print('Input dimensions are\n\tbatchsize:', x.shape[0], '\n\tnumber of input channels:', x.shape[1], '\n\timage size:', (x.shape[2], x.shape[3]))`` ``# Define the Module``patch_tokens = Patch_Tokenization(img_size=(x.shape[1], x.shape[2], x.shape[3]),` `patch_size = P,` `token_len = token_len)
Input dimensions are` `batchsize: 1`` number of input channels: 1 `` image size: (60, 100)
正如我们在示例中看到的那样,共有N=15个长度为400的Token。最后,我们将Token投影为token_len。
x = patch_tokens.split(x).transpose(2,1)``print('After patch tokenization, dimensions are\n\tbatchsize:', x.shape[0], '\n\tnumber of tokens:', x.shape[1], '\n\ttoken length:', x.shape[2])
After patch tokenization, dimensions are` `batchsize: 1`` number of tokens: 15 `` token length: 400
现在我们有了Token,我们准备继续进行ViT。
Token Processing
我们将把ViT的下两个步骤,即编码块之前的步骤,称为“Token处理”。ViT图中的Token处理组件如下所示。
第一步是在图像Token之前添加一个空白Token,称为Prediction Token。此Token将用于输出编码块以进行预测。它最初是空白的 —— 等效于零 —— 这样它就可以从其他图像Token中获取信息。
# Define an Input``num_tokens = 175``token_len = 768``batch = 13``x = torch.rand(batch, num_tokens, token_len)``print('Input dimensions are\n\tbatchsize:', x.shape[0], '\n\tnumber of tokens:', x.shape[1], '\n\ttoken length:', x.shape[2])`` ``# Append a Prediction Token``pred_token = torch.zeros(1, 1, token_len).expand(batch, -1, -1)``print('Prediction Token dimensions are\n\tbatchsize:', pred_token.shape[0], '\n\tnumber of tokens:', pred_token.shape[1], '\n\ttoken length:', pred_token.shape[2])`` ``x = torch.cat((pred_token, x), dim=1)``print('Dimensions with Prediction Token are\n\tbatchsize:', x.shape[0], '\n\tnumber of tokens:', x.shape[1], '\n\ttoken length:', x.shape[2])
Input dimensions are` `batchsize: 13`` number of tokens: 175 `` token length: 768``Prediction Token dimensions are` `batchsize: 13`` number of tokens: 1 `` token length: 768``Dimensions with Prediction Token are` `batchsize: 13`` number of tokens: 176 `` token length: 768
我们将从175个Token开始。每个Token的长度为768,这是ViT²基本变体的大小。我们使用批处理大小为13,因为它是素数,并且不会与任何其他参数混淆。
def get_sinusoid_encoding(num_tokens, token_len):` `""" Make Sinusoid Encoding Table`` ` `Args:` `num_tokens (int): number of tokens` `token_len (int): length of a token`` ` `Returns:` `(torch.FloatTensor) sinusoidal position encoding table` `"""`` ` `def get_position_angle_vec(i):` `return [i / np.power(10000, 2 * (j // 2) / token_len) for j in range(token_len)]`` ` `sinusoid_table = np.array([get_position_angle_vec(i) for i in range(num_tokens)])` `sinusoid_table[:, 0::2] = np.sin(sinusoid_table[:, 0::2])` `sinusoid_table[:, 1::2] = np.cos(sinusoid_table[:, 1::2])` ` ` `return torch.FloatTensor(sinusoid_table).unsqueeze(0)`` ``PE = get_sinusoid_encoding(num_tokens+1, token_len)``print('Position embedding dimensions are\n\tnumber of tokens:', PE.shape[1], '\n\ttoken length:', PE.shape[2])`` ``x = x + PE``print('Dimensions with Position Embedding are\n\tbatchsize:', x.shape[0], '\n\tnumber of tokens:', x.shape[1], '\n\ttoken length:', x.shape[2])
Position embedding dimensions are` `number of tokens: 176`` token length: 768``Dimensions with Position Embedding are` `batchsize: 13`` number of tokens: 176 `` token length: 768
现在,我们为我们的Token添加了一个位置嵌入。位置嵌入允许Transformer理解图像token的顺序。请注意,这是一个增加,而不是一个连接。位置嵌入的具体细节是一个值得讨论的话题,最好留到以后再说。
def get_sinusoid_encoding(num_tokens, token_len):` `""" Make Sinusoid Encoding Table`` ` `Args:` `num_tokens (int): number of tokens` `token_len (int): length of a token`` ` `Returns:` `(torch.FloatTensor) sinusoidal position encoding table` `"""`` ` `def get_position_angle_vec(i):` `return [i / np.power(10000, 2 * (j // 2) / token_len) for j in range(token_len)]`` ` `sinusoid_table = np.array([get_position_angle_vec(i) for i in range(num_tokens)])` `sinusoid_table[:, 0::2] = np.sin(sinusoid_table[:, 0::2])` `sinusoid_table[:, 1::2] = np.cos(sinusoid_table[:, 1::2])` ` ` `return torch.FloatTensor(sinusoid_table).unsqueeze(0)`` ``PE = get_sinusoid_encoding(num_tokens+1, token_len)``print('Position embedding dimensions are\n\tnumber of tokens:', PE.shape[1], '\n\ttoken length:', PE.shape[2])`` ``x = x + PE``print('Dimensions with Position Embedding are\n\tbatchsize:', x.shape[0], '\n\tnumber of tokens:', x.shape[1], '\n\ttoken length:', x.shape[2])
Position embedding dimensions are` `number of tokens: 176`` token length: 768``Dimensions with Position Embedding are` `batchsize: 13`` number of tokens: 176 `` token length: 768
现在,我们的Token已经准备好进入编码块。
编码块
编码块是模型实际从图像标记中学习的地方。编码块的数量是用户设置的超参数。编码块的图表如下。
编码块的代码如下。
class Encoding(nn.Module): def __init__(self, dim: int, num_heads: int=1, hidden_chan_mul: float=4., qkv_bias: bool=False, qk_scale: NoneFloat=None, act_layer=nn.GELU, norm_layer=nn.LayerNorm): """ Encoding Block Args: dim (int): size of a single token num_heads(int): number of attention heads in MSA hidden_chan_mul (float): multiplier to determine the number of hidden channels (features) in the NeuralNet component qkv_bias (bool): determines if the qkv layer learns an addative bias qk_scale (NoneFloat): value to scale the queries and keys by; if None, queries and keys are scaled by ``head_dim ** -0.5`` act_layer(nn.modules.activation): torch neural network layer class to use as activation norm_layer(nn.modules.normalization): torch neural network layer class to use as normalization """ super().__init__() ## Define Layers self.norm1 = norm_layer(dim) self.attn = Attention(dim=dim, chan=dim, num_heads=num_heads, qkv_bias=qkv_bias, qk_scale=qk_scale) self.norm2 = norm_layer(dim) self.neuralnet = NeuralNet(in_chan=dim, hidden_chan=int(dim*hidden_chan_mul), out_chan=dim, act_layer=act_layer) def forward(self, x): x = x + self.attn(self.norm1(x)) x = x + self.neuralnet(self.norm2(x)) return x
num_heads 、qkv_bias和qk_scale参数定义了注意力模块组件。关于视觉转换器的注意力的深入研究留待下次再讨论。
hidden_ chan_mul和act_layer参数定义神经网络模块组件。激活层可以是任意⁷层。我们稍后torch.nn.modules.activation会详细介绍神经网络模块。
可以从任意⁸层中选择norm_layer torch.nn.modules.normalization。
现在,我们将逐步介绍图中的每个蓝色块及其附带的代码。我们将使用长度为 768 的 176 个标记。我们将使用批处理大小 13,因为它是素数,不会与任何其他参数混淆。我们将使用 4 个注意力头,因为它可以均匀划分标记长度;但是,您不会在编码块中看到注意力头维度。
# Define an Inputnum_tokens = 176token_len = 768batch = 13heads = 4x = torch.rand(batch, num_tokens, token_len)print('Input dimensions are\n\tbatchsize:', x.shape[0], '\n\tnumber of tokens:', x.shape[1], '\n\ttoken length:', x.shape[2])# Define the ModuleE = Encoding(dim=token_len, num_heads=heads, hidden_chan_mul=1.5, qkv_bias=False, qk_scale=None, act_layer=nn.GELU, norm_layer=nn.LayerNorm)E.eval();
Input dimensions are batchsize: 13 number of tokens: 176 token length: 768
现在,我们将通过一个规范层和一个注意力模块。编码块中的注意力模块是参数化的,因此它不会改变标记长度。在注意力模块之后,我们实现了第一个拆分连接。
y = E.norm1(x)print('After norm, dimensions are\n\tbatchsize:', y.shape[0], '\n\tnumber of tokens:', y.shape[1], '\n\ttoken size:', y.shape[2])y = E.attn(y)print('After attention, dimensions are\n\tbatchsize:', y.shape[0], '\n\tnumber of tokens:', y.shape[1], '\n\ttoken size:', y.shape[2])y = y + xprint('After split connection, dimensions are\n\tbatchsize:', y.shape[0], '\n\tnumber of tokens:', y.shape[1], '\n\ttoken size:', y.shape[2])
After norm, dimensions are batchsize: 13 number of tokens: 176 token size: 768After attention, dimensions are batchsize: 13 number of tokens: 176 token size: 768After split connection, dimensions are batchsize: 13 number of tokens: 176 token size: 768
现在,我们经过另一个规范层,然后是神经网络模块。最后是第二个拆分连接。
z = E.norm2(y)``print('After norm, dimensions are\n\tbatchsize:', z.shape[0], '\n\tnumber of tokens:', z.shape[1], '\n\ttoken size:', z.shape[2])``z = E.neuralnet(z)``print('After neural net, dimensions are\n\tbatchsize:', z.shape[0], '\n\tnumber of tokens:', z.shape[1], '\n\ttoken size:', z.shape[2])``z = z + y``print('After split connection, dimensions are\n\tbatchsize:', z.shape[0], '\n\tnumber of tokens:', z.shape[1], '\n\ttoken size:', z.shape[2])
After norm, dimensions are` `batchsize: 13`` number of tokens: 176 `` token size: 768``After neural net, dimensions are` `batchsize: 13`` number of tokens: 176 `` token size: 768``After split connection, dimensions are` `batchsize: 13`` number of tokens: 176 `` token size: 768
这就是单个编码块的全部内容!由于最终维度与初始维度相同,模型可以轻松地通过多个编码块传递Token,由深度超参数设置。
神经网络模块
神经网络(NN)模块是编码块的子组件。NN模块非常简单,由一个全连接层、一个激活层和另一个全连接层组成。激活层可以是任何torch.nn.modules.activation⁷层,作为模块的输入传递。NN模块可以配置为改变输入的形状,或者保持相同的形状。我们不会逐步介绍这个代码,因为神经网络在机器学习中很常见,而且不是本文的重点。然而,下面给出了NN模块的代码。
class NeuralNet(nn.Module):` `def __init__(self,` `in_chan: int,` `hidden_chan: NoneFloat=None,` `out_chan: NoneFloat=None,` `act_layer = nn.GELU):` `""" Neural Network Module`` ` `Args:` `in_chan (int): number of channels (features) at input` `hidden_chan (NoneFloat): number of channels (features) in the hidden layer;` `if None, number of channels in hidden layer is the same as the number of input channels` `out_chan (NoneFloat): number of channels (features) at output;` `if None, number of output channels is same as the number of input channels` `act_layer(nn.modules.activation): torch neural network layer class to use as activation` `"""`` ` `super().__init__()`` ` `## Define Number of Channels` `hidden_chan = hidden_chan or in_chan
预测处理
通过编码块后,模型必须做的最后一件事是进行预测。ViT图中的“预测处理”组件如下所示。
我们将查看该过程的每个步骤。我们将继续使用长度为768的176个Token。我们将使用批量大小为1来说明如何进行单个预测。批量大小大于1将会并行计算此预测。
# Define an Input``num_tokens = 176``token_len = 768``batch = 1``x = torch.rand(batch, num_tokens, token_len)``print('Input dimensions are\n\tbatchsize:', x.shape[0], '\n\tnumber of tokens:', x.shape[1], '\n\ttoken length:', x.shape[2])
Input dimensions are` `batchsize: 1`` number of tokens: 176 `` token length: 768
首先,所有Token都通过一个norm层。
norm = nn.LayerNorm(token_len)``x = norm(x)``print('After norm, dimensions are\n\tbatchsize:', x.shape[0], '\n\tnumber of tokens:', x.shape[1], '\n\ttoken size:', x.shape[2])
接下来,我们从其余Token中分离出预测Token。在编码块中,预测Token已经变得非零,并获取了关于我们输入图像的信息。我们将仅使用此预测Token来进行最终预测。
norm = nn.LayerNorm(token_len)`` ``pred_token = x[:, 0]``print('Length of prediction token:', pred_token.shape[-1])
Length of prediction token: 768
最后,将预测Token传递到头部以进行预测。头部通常是某种类型的神经网络,根据模型的不同而变化。在An Image is Worth 16x16 Words²中,他们在预训练期间使用具有一个隐藏层的MLP(多层感知器),在微调期间使用单个线性层。在Tokens-to-Token ViT³中,他们使用单个线性层作为头部。此示例将使用输出形状为1,以表示单个估计回归值。
head = nn.Linear(token_len, 1)``pred = head(pred_token)``print('Length of prediction:', (pred.shape[0], pred.shape[1]))``print('Prediction:', float(pred))
Length of prediction: (1, 1)``Prediction: -0.5474240779876709
这就是全部内容!模型已经进行了预测!
完整代码
为了创建完整的ViT模块,我们使用上面定义的Patch Tokenization模块和ViT Backbone模块。ViT Backbone如下所定义,包含了Token处理、编码块和预测处理组件。
class ViT_Backbone(nn.Module):` `def __init__(self,` `preds: int=1,` `token_len: int=768,` `num_heads: int=1,` `Encoding_hidden_chan_mul: float=4.,` `depth: int=12,` `qkv_bias=False,` `qk_scale=None,` `act_layer=nn.GELU,` `norm_layer=nn.LayerNorm):`` ` `""" VisTransformer Backbone` `Args:` `preds (int): number of predictions to output` `token_len (int): length of a token` `num_heads(int): number of attention heads in MSA` `Encoding_hidden_chan_mul (float): multiplier to determine the number of hidden channels (features) in the NeuralNet component of the Encoding Module` `depth (int): number of encoding blocks in the model` `qkv_bias (bool): determines if the qkv layer learns an addative bias` `qk_scale (NoneFloat): value to scale the queries and keys by;`` if None, queries and keys are scaled by ``head_dim ** -0.5`` ` `act_layer(nn.modules.activation): torch neural network layer class to use as activation` `norm_layer(nn.modules.normalization): torch neural network layer class to use as normalization` `"""`` ` `super().__init__()`` ` `## Defining Parameters` `self.num_heads = num_heads` `self.Encoding_hidden_chan_mul = Encoding_hidden_chan_mul` `self.depth = depth`` ` `## Defining Token Processing Components` `self.cls_token = nn.Parameter(torch.zeros(1, 1, self.token_len))` `self.pos_embed = nn.Parameter(data=get_sinusoid_encoding(num_tokens=self.num_tokens+1, token_len=self.token_len), requires_grad=False)`` ` `## Defining Encoding blocks` `self.blocks = nn.ModuleList([Encoding(dim = self.token_len,`` num_heads = self.num_heads,` `hidden_chan_mul = self.Encoding_hidden_chan_mul,` `qkv_bias = qkv_bias,` `qk_scale = qk_scale,` `act_layer = act_layer,` `norm_layer = norm_layer)` `for i in range(self.depth)])`` ` `## Defining Prediction Processing` `self.norm = norm_layer(self.token_len)` `self.head = nn.Linear(self.token_len, preds)`` ` `## Make the class token sampled from a truncated normal distrobution`` timm.layers.trunc_normal_(self.cls_token, std=.02)`` ` `def forward(self, x):` `## Assumes x is already tokenized`` ` `## Get Batch Size` `B = x.shape[0]` `## Concatenate Class Token` `x = torch.cat((self.cls_token.expand(B, -1, -1), x), dim=1)` `## Add Positional Embedding` `x = x + self.pos_embed` `## Run Through Encoding Blocks` `for blk in self.blocks:` `x = blk(x)` `## Take Norm` `x = self.norm(x)` `## Make Prediction on Class Token` `x = self.head(x[:, 0])` `return x
通过ViT Backbone模块,我们可以定义完整的ViT模型。
``class ViT_Model(nn.Module):` `def __init__(self,` `img_size: tuple[int, int, int]=(1, 400, 100),` `patch_size: int=50,` `token_len: int=768,` `preds: int=1,` `num_heads: int=1,` `Encoding_hidden_chan_mul: float=4.,` `depth: int=12,` `qkv_bias=False,` `qk_scale=None,` `act_layer=nn.GELU,` `norm_layer=nn.LayerNorm):`` ` `""" VisTransformer Model`` ` `Args:` `img_size (tuple[int, int, int]): size of input (channels, height, width)` `patch_size (int): the side length of a square patch` `token_len (int): desired length of an output token` `preds (int): number of predictions to output` `num_heads(int): number of attention heads in MSA` `Encoding_hidden_chan_mul (float): multiplier to determine the number of hidden channels (features) in the NeuralNet component of the Encoding Module` `depth (int): number of encoding blocks in the model` `qkv_bias (bool): determines if the qkv layer learns an addative bias` `qk_scale (NoneFloat): value to scale the queries and keys by;`` if None, queries and keys are scaled by ``head_dim ** -0.5`` ` `act_layer(nn.modules.activation): torch neural network layer class to use as activation` `norm_layer(nn.modules.normalization): torch neural network layer class to use as normalization` `"""` `super().__init__()`` ` `## Defining Parameters` `self.img_size = img_size` `C, H, W = self.img_size` `self.patch_size = patch_size` `self.token_len = token_len` `self.num_heads = num_heads` `self.Encoding_hidden_chan_mul = Encoding_hidden_chan_mul` `self.depth = depth`` ` `## Defining Patch Embedding Module` `self.patch_tokens = Patch_Tokenization(img_size,` `patch_size,` `token_len)`` ` `## Defining ViT Backbone` `self.backbone = ViT_Backbone(preds,` `self.token_len,` `self.num_heads,` `self.Encoding_hidden_chan_mul,` `self.depth,` `qkv_bias,` `qk_scale,` `act_layer,` `norm_layer)` `## Initialize the Weights` `self.apply(self._init_weights)`` ` `def _init_weights(self, m):` `""" Initialize the weights of the linear layers & the layernorms` `"""` `## For Linear Layers` `if isinstance(m, nn.Linear):` `## Weights are initialized from a truncated normal distrobution` `timm.layers.trunc_normal_(m.weight, std=.02)` `if isinstance(m, nn.Linear) and m.bias is not None:` `## If bias is present, bias is initialized at zero` `nn.init.constant_(m.bias, 0)` `## For Layernorm Layers` `elif isinstance(m, nn.LayerNorm):` `## Weights are initialized at one` `nn.init.constant_(m.weight, 1.0)` `## Bias is initialized at zero` `nn.init.constant_(m.bias, 0)`` ` `@torch.jit.ignore ##Tell pytorch to not compile as TorchScript` `def no_weight_decay(self):` `""" Used in Optimizer to ignore weight decay in the class token` `"""` `return {'cls_token'}`` ` `def forward(self, x):` `x = self.patch_tokens(x)` `x = self.backbone(x)` `return x
在ViT模型中,img_size、patch_size和token_len定义了Patch Tokenization模块。它们分别表示输入图像的大小、切分成的Patch的大小,以及由此生成的token序列的长度。正是通过这个模块,ViT将图像转化为模型能够处理的token序列。num_heads决定了多头注意力机制中“头”的数量;Encoding_hidden_channel_mul用于调整编码块的隐藏层通道数;qkv_bias和qk_scale则分别控制查询、键和值向量的偏置和缩放;而act_layer则代表激活函数层,我们可以选择任何torch.nn.modules.activation中的激活函数。此外,depth参数决定了模型中包含多少个这样的编码块。
norm_layer参数设置了编码块模块内外的norm。可以从任何torch.nn.modules.normalization⁸层中选择。
_init_weights方法来自于T2T-ViT³代码。此方法可以删除以随机初始化所有学习的权重和偏差。如实施的,线性层的权重被初始化为截断的正态分布;线性层的偏差被初始化为零;归一化层的权重被初始化为一;归一化层的偏差被初始化为零。
结论
现在,我们可以全面了解ViT模型的工作原理并进行训练!
如何学习大模型 AI ?
由于新岗位的生产效率,要优于被取代岗位的生产效率,所以实际上整个社会的生产效率是提升的。
但是具体到个人,只能说是:
“最先掌握AI的人,将会比较晚掌握AI的人有竞争优势”。
这句话,放在计算机、互联网、移动互联网的开局时期,都是一样的道理。
这份完整版的大模型 AI 学习资料已经上传CSDN,朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费
】
我在一线互联网企业工作十余年里,指导过不少同行后辈。帮助很多人得到了学习和成长。
我意识到有很多经验和知识值得分享给大家,也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑,所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限,很多互联网行业朋友无法获得正确的资料得到学习提升,故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。
第一阶段(10天):初阶应用
该阶段让大家对大模型 AI有一个最前沿的认识,对大模型 AI 的理解超过 95% 的人,可以在相关讨论时发表高级、不跟风、又接地气的见解,别人只会和 AI 聊天,而你能调教 AI,并能用代码将大模型和业务衔接。
- 大模型 AI 能干什么?
- 大模型是怎样获得「智能」的?
- 用好 AI 的核心心法
- 大模型应用业务架构
- 大模型应用技术架构
- 代码示例:向 GPT-3.5 灌入新知识
- 提示工程的意义和核心思想
- Prompt 典型构成
- 指令调优方法论
- 思维链和思维树
- Prompt 攻击和防范
- …
第二阶段(30天):高阶应用
该阶段我们正式进入大模型 AI 进阶实战学习,学会构造私有知识库,扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架,抓住最新的技术进展,适合 Python 和 JavaScript 程序员。
- 为什么要做 RAG
- 搭建一个简单的 ChatPDF
- 检索的基础概念
- 什么是向量表示(Embeddings)
- 向量数据库与向量检索
- 基于向量检索的 RAG
- 搭建 RAG 系统的扩展知识
- 混合检索与 RAG-Fusion 简介
- 向量模型本地部署
- …
第三阶段(30天):模型训练
恭喜你,如果学到这里,你基本可以找到一份大模型 AI相关的工作,自己也能训练 GPT 了!通过微调,训练自己的垂直大模型,能独立训练开源多模态大模型,掌握更多技术方案。
到此为止,大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗?
- 为什么要做 RAG
- 什么是模型
- 什么是模型训练
- 求解器 & 损失函数简介
- 小实验2:手写一个简单的神经网络并训练它
- 什么是训练/预训练/微调/轻量化微调
- Transformer结构简介
- 轻量化微调
- 实验数据集的构建
- …
第四阶段(20天):商业闭环
对全球大模型从性能、吞吐量、成本等方面有一定的认知,可以在云端和本地等多种环境下部署大模型,找到适合自己的项目/创业方向,做一名被 AI 武装的产品经理。
- 硬件选型
- 带你了解全球大模型
- 使用国产大模型服务
- 搭建 OpenAI 代理
- 热身:基于阿里云 PAI 部署 Stable Diffusion
- 在本地计算机运行大模型
- 大模型的私有化部署
- 基于 vLLM 部署大模型
- 案例:如何优雅地在阿里云私有部署开源大模型
- 部署一套开源 LLM 项目
- 内容安全
- 互联网信息服务算法备案
- …
学习是一个过程,只要学习就会有挑战。天道酬勤,你越努力,就会成为越优秀的自己。
如果你能在15天内完成所有的任务,那你堪称天才。然而,如果你能完成 60-70% 的内容,你就已经开始具备成为一名大模型 AI 的正确特征了。