ViT源码讲解

最新推荐文章于 2024-08-09 10:51:02 发布
最新推荐文章于 2024-08-09 10:51:02 发布
阅读量2.1k 收藏 24
点赞数 2
文章标签： 深度学习 人工智能 自然语言处理
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/carambola_/article/details/126492895
版权

ViT源码讲解

前言

以下学习内容根据我的B站导师 霹雳吧啦Wz 的 ViT源码讲解视频整理而成，文中图片均来自霹雳吧啦Wz，特此记录，方便日后查阅：
源码讲解视频：霹雳吧啦Wz ViT源码讲解
ViT原理视频：霹雳吧啦Wz ViT原理讲解

源码讲解

网络总体架构

ViT-B/16模型架构

ViT中的DropPath

这边不过多介绍，可参看其他博文：droppath

ViT中的Patch Embedding

对应左下角第一个虚线框中的操作。

  1. 输入image卷积
  2. 按照卷积后的长宽维度展平
class PatchEmbed(nn.Module):
    """
    2D Image to Patch Embedding
    """
    def __init__(self, img_size=224, patch_size=16, in_c=3, embed_dim=768, norm_layer=None):
        super().__init__()
        img_size = (img_size, img_size)
        patch_size = (patch_size, patch_size)
        self.img_size = img_size
        self.patch_size = patch_size
        self.grid_size = (img_size[0] // patch_size[0], img_size[1] // patch_size[1]) # 输出特征长宽
        self.num_patches = self.grid_size[0] * self.grid_size[1]

        self.proj = nn.Conv2d(in_c, embed_dim, kernel_size=patch_size, stride=patch_size)
        # 如果传入normlayer则进行normlayer, 否则Identity, 不进行任何操作
        self.norm = norm_layer(embed_dim) if norm_layer else nn.Identity()

    def forward(self, x):
        B, C, H, W = x.shape
        # ViT模型的输入图片大小必须是固定的，可能是因为在传入transformer时会加提前训练好的位置编码
        assert H == self.img_size[0] and W == self.img_size[1], \
            f"Input image size ({H}*{W}) doesn't match model ({self.img_size[0]}*{self.img_size[1]})."

        # flatten: [B, C, H, W] -> [B, C, HW]将HW维度合并
        # transpose: [B, C, HW] -> [B, HW, C]调整HW和通道维度
        x = self.proj(x).flatten(2).transpose(1, 2)
        x = self.norm(x)
        return x

ViT中的attention模块

对应multi-head attention

class Attention(nn.Module):
    def __init__(self,
                 dim,   # 输入token的dim
                 num_heads=8, # head数量
                 qkv_bias=False, # 生成qkv过程中是否需要加bias
                 qk_scale=None,
                 attn_drop_ratio=0., # Qk后的dropout
                 proj_drop_ratio=0.):# 多头结果输出后的dropout
        super(Attention, self).__init__()
        self.num_heads = num_heads
        head_dim = dim // num_heads # 每个header的dimension
        self.scale = qk_scale or head_dim ** -0.5 # 对应的是softmax中的1/dk**0.5
        self.qkv = nn.Linear(dim, dim * 3, bias=qkv_bias) # 这边通过将维度*3来一次性生成qkv
        self.attn_drop = nn.Dropout(attn_drop_ratio)
        self.proj = nn.Linear(dim, dim) #对应的是多头中的 Concat(head1,head2...,headn)*Wo 中的Wo
        self.proj_drop = nn.Dropout(proj_drop_ratio)

    def forward(self, x):
        # [batch_size, num_patches + 1, total_embed_dim] # 1是class token
        B, N, C = x.shape
        # qkv(): -> [batch_size, num_patches + 1, 3 * total_embed_dim] 最后一个维度扩大三倍 分别对应QKV
        # reshape: -> [batch_size, num_patches + 1, 3, num_heads, embed_dim_per_head] 为了将QKV的多头划分出来
        # permute: -> [3, batch_size, num_heads, num_patches + 1, embed_dim_per_head]
        qkv = self.qkv(x).reshape(B, N, 3, self.num_heads, C // self.num_heads).permute(2, 0, 3, 1, 4)
        # [batch_size, num_heads, num_patches + 1, embed_dim_per_head]
        q, k, v = qkv[0], qkv[1], qkv[2] 
        # transpose: -> [batch_size, num_heads, embed_dim_per_head, num_patches + 1]
        # @: multiply -> [batch_size, num_heads, num_patches + 1, num_patches + 1]
        # @表示矩阵乘法，仅最后两个维度相乘
        attn = (q @ k.transpose(-2, -1)) * self.scale
        # 对最后一个维度进行softmax处理
        attn = attn.softmax(dim=-1)
        # 对V的每个权重进行dropout
        attn = self.attn_drop(attn)

        # @: multiply -> [batch_size, num_heads, num_patches + 1, embed_dim_per_head]
        # transpose: -> [batch_size, num_patches + 1, num_heads, embed_dim_per_head]
        # reshape: -> [batch_size, num_patches + 1, total_embed_dim]
        x = (attn @ v).transpose(1, 2).reshape(B, N, C)
        x = self.proj(x)
        x = self.proj_drop(x)
        return x

ViT中的MLPblock模块

对应图中MLPblock

class Mlp(nn.Module):
    """
    MLP as used in Vision Transformer, MLP-Mixer and related networks
    """
    def __init__(self, in_features, hidden_features=None, out_features=None, act_layer=nn.GELU, drop=0.):
        super().__init__()
        out_features = out_features or in_features
        hidden_features = hidden_features or in_features
        self.fc1 = nn.Linear(in_features, hidden_features)
        self.act = act_layer() # GELU激活函数
        self.fc2 = nn.Linear(hidden_features, out_features)
        self.drop = nn.Dropout(drop) # dropout可以重复使用

    def forward(self, x):
        x = self.fc1(x)
        x = self.act(x)
        x = self.drop(x)
        x = self.fc2(x)
        x = self.drop(x)
        return x

ViT中的Encoder Block模块

class Block(nn.Module):
    def __init__(self,
                 dim, # 对于每个token的dimension
                 num_heads, # head的个数
                 mlp_ratio=4., # MLP中第一个全连接层是输入维度的四倍
                 qkv_bias=False,
                 qk_scale=None,
                 drop_ratio=0., # attention中输出以及MLP中dropout比例
                 attn_drop_ratio=0., # QKT的dropout
                 drop_path_ratio=0., # Encoder Block中的droppath
                 act_layer=nn.GELU,
                 norm_layer=nn.LayerNorm):
        super(Block, self).__init__()
        self.norm1 = norm_layer(dim) # 如果normlayer层没有可学习参数，就没必要定义两个norm1以及norm2,直接self.norm = norm_layer(dim) 可复用
        self.attn = Attention(dim, num_heads=num_heads, qkv_bias=qkv_bias, qk_scale=qk_scale,
                              attn_drop_ratio=attn_drop_ratio, proj_drop_ratio=drop_ratio)
        # NOTE: drop path for stochastic depth, we shall see if this is better than dropout here
        self.drop_path = DropPath(drop_path_ratio) if drop_path_ratio > 0. else nn.Identity()
        self.norm2 = norm_layer(dim)
        mlp_hidden_dim = int(dim * mlp_ratio)
        self.mlp = Mlp(in_features=dim, hidden_features=mlp_hidden_dim, act_layer=act_layer, drop=drop_ratio)

    def forward(self, x):
        x = x + self.drop_path(self.attn(self.norm1(x))) # 对应原图中attention处的残差结构， 仅encoder block部分使用了droppath
        x = x + self.drop_path(self.mlp(self.norm2(x))) # 对应原图中MLPblock处的残差结构
        return x

整个ViT模型

class VisionTransformer(nn.Module):
    def __init__(self, img_size=224, patch_size=16, in_c=3, num_classes=1000,
                 embed_dim=768, depth=12, num_heads=12, mlp_ratio=4.0, qkv_bias=True,
                 qk_scale=None, representation_size=None, distilled=False, drop_ratio=0.,
                 attn_drop_ratio=0., drop_path_ratio=0., embed_layer=PatchEmbed, norm_layer=None,
                 act_layer=None):
        """
        Args:
            img_size (int, tuple): input image size
            patch_size (int, tuple): patch size
            in_c (int): number of input channels
            num_classes (int): number of classes for classification head
            embed_dim (int): embedding dimension
            depth (int): depth of transformer
            num_heads (int): number of attention heads
            mlp_ratio (int): ratio of mlp hidden dim to embedding dim
            qkv_bias (bool): enable bias for qkv if True
            qk_scale (float): override default qk scale of head_dim ** -0.5 if set
            representation_size (Optional[int]): enable and set representation layer (pre-logits) to this value if set
            distilled (bool): model includes a distillation token and head as in DeiT models 不用管
            drop_ratio (float): dropout rate
            attn_drop_ratio (float): attention dropout rate
            drop_path_ratio (float): stochastic depth rate
            embed_layer (nn.Module): patch embedding layer
            norm_layer: (nn.Module): normalization layer
        """
        super(VisionTransformer, self).__init__()
        self.num_classes = num_classes
        self.num_features = self.embed_dim = embed_dim  # num_features for consistency with other models
        self.num_tokens = 2 if distilled else 1 # 1
        norm_layer = norm_layer or partial(nn.LayerNorm, eps=1e-6) # partial方法，将eps参数传入LayerNorm
        act_layer = act_layer or nn.GELU

        self.patch_embed = embed_layer(img_size=img_size, patch_size=patch_size, in_c=in_c, embed_dim=embed_dim)
        num_patches = self.patch_embed.num_patches

        self.cls_token = nn.Parameter(torch.zeros(1, 1, embed_dim)) # nn.Parameters中的参数在反向传播时也会更新
        self.dist_token = nn.Parameter(torch.zeros(1, 1, embed_dim)) if distilled else None # 不用管
        self.pos_embed = nn.Parameter(torch.zeros(1, num_patches + self.num_tokens, embed_dim))
        self.pos_drop = nn.Dropout(p=drop_ratio)
        # 在每个Encoder block中使用的droppath参数是递增的
        dpr = [x.item() for x in torch.linspace(0, drop_path_ratio, depth)]  # stochastic depth decay rule
        self.blocks = nn.Sequential(*[
            Block(dim=embed_dim, num_heads=num_heads, mlp_ratio=mlp_ratio, qkv_bias=qkv_bias, qk_scale=qk_scale,
                  drop_ratio=drop_ratio, attn_drop_ratio=attn_drop_ratio, drop_path_ratio=dpr[i],
                  norm_layer=norm_layer, act_layer=act_layer)
            for i in range(depth)
        ])
        self.norm = norm_layer(embed_dim)

        # Representation layer 如果传入representation_size则会在MLP head中构建pre logist
        # 也就是多加一层隐藏层以及Tanh激活函数
        if representation_size and not distilled:
            self.has_logits = True
            self.num_features = representation_size
            self.pre_logits = nn.Sequential(OrderedDict([
                ("fc", nn.Linear(embed_dim, representation_size)),
                ("act", nn.Tanh())
            ]))
        else:
            self.has_logits = False
            self.pre_logits = nn.Identity()

        # Classifier head(s)
        self.head = nn.Linear(self.num_features, num_classes) if num_classes > 0 else nn.Identity()
        self.head_dist = None # 不用看
        if distilled: # 不用看
            self.head_dist = nn.Linear(self.embed_dim, self.num_classes) if num_classes > 0 else nn.Identity()

        # Weight init 权重初始化
        # 将self.pos_embed/dist_token/cls_token 取值范围限定在[-2,2]区间内，且取值满足mean=0,std=0.02的正态分布
        nn.init.trunc_normal_(self.pos_embed, std=0.02)
        if self.dist_token is not None:
            nn.init.trunc_normal_(self.dist_token, std=0.02)

        nn.init.trunc_normal_(self.cls_token, std=0.02)

        for m in self.modules(): # 或者自己定义一个函数然后用self.apply(fn)来初始化参数，apply方法会递归遍历所有module中的权重参数，然后按要求进行初始化
            if isinstance(m, nn.Linear):
                nn.init.trunc_normal_(m.weight, std=.01)
                if m.bias is not None:
                    nn.init.zeros_(m.bias)
            elif isinstance(m, nn.Conv2d):
                nn.init.kaiming_normal_(m.weight, mode="fan_out")
                if m.bias is not None:
                    nn.init.zeros_(m.bias)
            elif isinstance(m, nn.LayerNorm):
                nn.init.zeros_(m.bias)
                nn.init.ones_(m.weight)

    def forward_features(self, x):
        # [B, C, H, W] -> [B, num_patches, embed_dim]
        x = self.patch_embed(x)  # [B, 196, 768]
        # [1, 1, 768] -> [B, 1, 768] # 将cls_token在batch维度复制B次，以与x进行拼接
        cls_token = self.cls_token.expand(x.shape[0], -1, -1)
        if self.dist_token is None:
            x = torch.cat((cls_token, x), dim=1)  # [B, 197, 768]
        else: # 忽略
            x = torch.cat((cls_token, self.dist_token.expand(x.shape[0], -1, -1), x), dim=1)

        x = self.pos_drop(x + self.pos_embed)
        x = self.blocks(x)
        x = self.norm(x)
        if self.dist_token is None:
            return self.pre_logits(x[:, 0]) # representation_size为None则为identity否则为一层fc
        else: # 忽略
            return x[:, 0], x[:, 1]

    def forward(self, x):
        x = self.forward_features(x)
        if self.head_dist is not None: # 忽略
            x, x_dist = self.head(x[0]), self.head_dist(x[1])
            if self.training and not torch.jit.is_scripting():
                # during inference, return the average of both classifier predictions
                return x, x_dist
            else:
                return (x + x_dist) / 2
        else:
            x = self.head(x)
        return x

ViT-base/large/huge

建议使用ViT-base模型，其他模型参数量太大，同时要有预训练模型，不然效果较差。
各模型参数配置

def vit_base_patch16_224(num_classes: int = 1000):
    """
    ViT-Base model (ViT-B/16) from original paper (https://arxiv.org/abs/2010.11929).
    ImageNet-1k weights @ 224x224, source https://github.com/google-research/vision_transformer.
    weights ported from official Google JAX impl:
    链接: https://pan.baidu.com/s/1zqb08naP0RPqqfSXfkB2EA  密码: eu9f
    """
    model = VisionTransformer(img_size=224,
                              patch_size=16,
                              embed_dim=768,
                              depth=12,
                              num_heads=12,
                              representation_size=None,
                              num_classes=num_classes)
    return model


def vit_base_patch16_224_in21k(num_classes: int = 21843, has_logits: bool = True):
    """
    ViT-Base model (ViT-B/16) from original paper (https://arxiv.org/abs/2010.11929).
    ImageNet-21k weights @ 224x224, source https://github.com/google-research/vision_transformer.
    weights ported from official Google JAX impl:
    https://github.com/rwightman/pytorch-image-models/releases/download/v0.1-vitjx/jx_vit_base_patch16_224_in21k-e5005f0a.pth
    """
    model = VisionTransformer(img_size=224,
                              patch_size=16,
                              embed_dim=768,
                              depth=12,
                              num_heads=12,
                              representation_size=768 if has_logits else None,
                              num_classes=num_classes)
    return model


def vit_base_patch32_224(num_classes: int = 1000):
    """
    ViT-Base model (ViT-B/32) from original paper (https://arxiv.org/abs/2010.11929).
    ImageNet-1k weights @ 224x224, source https://github.com/google-research/vision_transformer.
    weights ported from official Google JAX impl:
    链接: https://pan.baidu.com/s/1hCv0U8pQomwAtHBYc4hmZg  密码: s5hl
    """
    model = VisionTransformer(img_size=224,
                              patch_size=32,
                              embed_dim=768,
                              depth=12,
                              num_heads=12,
                              representation_size=None,
                              num_classes=num_classes)
    return model


def vit_base_patch32_224_in21k(num_classes: int = 21843, has_logits: bool = True):
    """
    ViT-Base model (ViT-B/32) from original paper (https://arxiv.org/abs/2010.11929).
    ImageNet-21k weights @ 224x224, source https://github.com/google-research/vision_transformer.
    weights ported from official Google JAX impl:
    https://github.com/rwightman/pytorch-image-models/releases/download/v0.1-vitjx/jx_vit_base_patch32_224_in21k-8db57226.pth
    """
    model = VisionTransformer(img_size=224,
                              patch_size=32,
                              embed_dim=768,
                              depth=12,
                              num_heads=12,
                              representation_size=768 if has_logits else None,
                              num_classes=num_classes)
    return model


def vit_large_patch16_224(num_classes: int = 1000):
    """
    ViT-Large model (ViT-L/16) from original paper (https://arxiv.org/abs/2010.11929).
    ImageNet-1k weights @ 224x224, source https://github.com/google-research/vision_transformer.
    weights ported from official Google JAX impl:
    链接: https://pan.baidu.com/s/1cxBgZJJ6qUWPSBNcE4TdRQ  密码: qqt8
    """
    model = VisionTransformer(img_size=224,
                              patch_size=16,
                              embed_dim=1024,
                              depth=24,
                              num_heads=16,
                              representation_size=None,
                              num_classes=num_classes)
    return model


def vit_large_patch16_224_in21k(num_classes: int = 21843, has_logits: bool = True):
    """
    ViT-Large model (ViT-L/16) from original paper (https://arxiv.org/abs/2010.11929).
    ImageNet-21k weights @ 224x224, source https://github.com/google-research/vision_transformer.
    weights ported from official Google JAX impl:
    https://github.com/rwightman/pytorch-image-models/releases/download/v0.1-vitjx/jx_vit_large_patch16_224_in21k-606da67d.pth
    """
    model = VisionTransformer(img_size=224,
                              patch_size=16,
                              embed_dim=1024,
                              depth=24,
                              num_heads=16,
                              representation_size=1024 if has_logits else None,
                              num_classes=num_classes)
    return model


def vit_large_patch32_224_in21k(num_classes: int = 21843, has_logits: bool = True):
    """
    ViT-Large model (ViT-L/32) from original paper (https://arxiv.org/abs/2010.11929).
    ImageNet-21k weights @ 224x224, source https://github.com/google-research/vision_transformer.
    weights ported from official Google JAX impl:
    https://github.com/rwightman/pytorch-image-models/releases/download/v0.1-vitjx/jx_vit_large_patch32_224_in21k-9046d2e7.pth
    """
    model = VisionTransformer(img_size=224,
                              patch_size=32,
                              embed_dim=1024,
                              depth=24,
                              num_heads=16,
                              representation_size=1024 if has_logits else None,
                              num_classes=num_classes)
    return model


def vit_huge_patch14_224_in21k(num_classes: int = 21843, has_logits: bool = True):
    """
    ViT-Huge model (ViT-H/14) from original paper (https://arxiv.org/abs/2010.11929).
    ImageNet-21k weights @ 224x224, source https://github.com/google-research/vision_transformer.
    NOTE: converted weights not currently available, too large for github release hosting.
    """
    model = VisionTransformer(img_size=224,
                              patch_size=14,
                              embed_dim=1280,
                              depth=32,
                              num_heads=16,
                              representation_size=1280 if has_logits else None,
                              num_classes=num_classes)
    return model
carambola_TaoYang
关注
  • 2
    点赞
  • 踩
  • 24
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
ViTDet原理与代码实例讲解
AI大模型应用之禅
07-17 926
1. 背景介绍 1.1 问题的由来 在计算机视觉领域，目标检测一直是一个重要的研究课题。传统的目标检测方法主要依赖于手工设计的特征和滑动窗口的方式进行目标检测，这种方法在实际应用中存在着诸多问题，例如计算复杂度高、检测效果差等。随着深度学习的发展，基于深度学习的目标检测方法逐渐取代了传统的目标检测方法，并
【计算机视觉】ViT：Vision Transformer 讲解
LJR的博客
03-18 727
ViT vision transformer BERT NLP CV 图像分类 CLS encoder 全局平均池化 Global Average Pooling GAP patch 注意力 attention 归纳偏置 ResNet BiT CNNs 局部相关性（locality）和平移不变性（translation equivariance） Hybrid 预训练 微调 pretrain fine-tune
Vision Transformer （ViT）初识：原理详解及代码
周红伟讲AI
03-12 1786
以ViT-B/16为例，使用一个卷积核大小为16x16，步距为16，卷积核个数为768的卷积来实现。通过卷积[224, 224, 3] -> [14, 14, 768]，然后把H以及W两个维度展平即可[14, 14, 768] -> [196, 768]，此时正好变成了一个二维矩阵，正是Transformer想要的。需要注意的是第一个全连接层会把输入节点个数翻4倍[197, 768] -> [197, 3072]，第二个全连接层会还原回原节点个数[197, 3072] -> [197, 768]
ViT
03-18
变形的ViT 将可变形的多头注意力应用于ViT架构 待办事项清单： 完成日志记录代码和wandb日志记录 实施timm版本（用于224x224 16补丁尺寸图像的执行器和变压器） 代码和测试变形注意 变压器 演员 编码和测试本地感知的初始化 变压器 演员 编码和测试DeBERTa注意 变压器 演员 用法 结果 用法 链接 （可变形的多尺度注意） cp pc注意） （可识别位置的初始化） （执行器tensorflow实现） 库） 日志记录）
VIT 源码详解
qq_52053775的博客
08-10 3511
参数说明：数据集： --name cifar10-100_500 --dataset cifar10哪个版本的模型： --model_type ViT-B_16预训练权重： --pretrained_dir checkpoint/ViT-B_16.npz 对于图像编码，以VIT - B/16为例，首先用卷积核大小为16*16、步长为16的卷积，对图像进行变换，此时图像维度变成16 * 768 * 14 * 14，再变换维度为[16, 19
vit源码阅读
Tomatoccc的博客
05-10 663
vit源码阅读-pytorch 原论文链接：https://arxiv.org/abs/2010.11929 源码来源：timm包中的VisionTransformer模型。 刚开始博客，写的不好请多多包含。如有错误，请指出，感谢。 模型结构 词嵌入 词嵌入接口调用if hybrid_backbone is not None: self.patch_embed = HybridEmbed( hybrid_backbone, img_size=img_size, in_cha
VIT源码解读
最新发布
qq_52093995的博客
08-09 511
patch_size是选择多大的区域进行分块提取特征，n_patches一共有多少块（图像宽/patch_size宽）x（图像高/patch_size高）patch_embeddings卷积stride为patch_size，提取特征时的卷积不重叠提取特征。图像的第一步：图特征向量提取。cls_token为（1，1，768）进行expand将维度复制到B，这里的B是16，每个数据都要有对应的cls_token。输入（16，3，224，224）训练batch大小，3通道RGB，图像大小224x224。
Vision Transformer（1）：ViT源码逐行阅读解析
qq_42418728的博客
09-18 4245
上图是Visual Transformer原文的模型结构展示，可以看到模型包含了几个核心模块： 1.Norm层 2.Multi-Head Attention层 3.MLP多层感知器 一、Norm层 class PreNorm(nn.Module): # fn：前馈网络，包含attention层以及残差结构 ''' param: dim输入维度 fn前馈网络层，选择Multi-Head Attn和MLP二者之一 ''' ...
【实验】vit代码
zhe470719的博客
05-23 5711
这里写目录标题参考讲解一：代码+理论版本一:lucidrains1. 大佬复现版本给的使用案例2. Transformer结构3. Attention4. FeedForward5. ViT操作流程版本二 :rwightman 源码可直接运行PatchEmbed模块Attention模块MLP Block（图中的名字）/FeedForward类（代码中的实现）Encoder Block主模块VisionTransformer类 参考 霹雳吧啦Wz-pytorch_classification/vision_
CV攻城狮入门VIT(vision transformer)之旅——VIT原理详解篇
2401_84412194的博客
04-20 858
​  在上一篇，我已经详细为大家介绍了NLP邻域中的，足足写了10000+字，酝酿了好多天才下笔，也写了很久，自认为写的还算是通俗全面。如若你对Transformer还没什么了解，建议你点击☞☞☞了解详情。​  其实，作为CV程序猿的我们，学习NLP邻域的Transformer更像是被迫之举，毕竟现在基于Transformer的算法在CV邻域可谓是大杀特杀。那么今天我就为大家带来将Transformer引入到视觉物体分类中的一篇文章，标题为download📥📥📥。
源码解读：InternVL 1.5
qq_43814415的博客
06-25 923
对查询和键进行归一化可以稳定数值计算，提高模型的性能和收敛速度，并避免极端权重情况的发生。这种归一化处理在实际应用中已经证明是有效的，可以帮助模型在复杂的任务中表现得更好。from_pretrained函数接受cls和pretrained_model_name_or_path参数，用于从预训练模型的路径或名称加载配置。cls 是一个用于类方法中的通用参数名，指代调用该方法的类本身。
T2T-ViT
03-06
令牌到令牌的ViT：在ImageNet上从头开始培训视觉变形金刚， 更新： 2021/03/02：更新我们的新结果。 现在，通过在ImageNet上从头开始训练，具有21.5M参数的T2T-ViT-14可以达到81.5％的top1-acc。 2021/02/21：我们的T2T-ViT可以使用“ --amp”（自动混合精度）稳定地在大多数常见GPU上进行训练：1080Ti，2080Ti，TiTAN V，V100。 在某些特定的GPU（例如Tesla T4）中，“ amp”在训练T2T-ViT时会导致NAN损失。 如果您在训练中失去NAN，可以通过在删除'--amp'来禁用amp。 2021/02/14：更新token_performer.py，现在可以在具有12G内存的4个GPU上训练T2T-ViT-7，T2T-ViT-10，T2T-ViT-12，其他T2T-ViT也可以在4个或4个
google-vit-base-patch16-224.rar
03-03
用于Vision Transformer的预训练模型,来源于huagging face。 Google ViT-Base-Patch16-224是一个基于Vision Transformer（ViT）的深度学习模型。该模型由Google的研究人员开发，用于图像分类和其他视觉任务。 在ViT模型中，图像被分割成一系列固定大小的块（或“patches”），然后这些块被线性嵌入到一个高维空间中。这些嵌入向量随后被输入到一个标准的Transformer架构中，该架构最初是为自然语言处理任务设计的，但已被成功应用于各种视觉任务。 Google ViT-Base-Patch16-224的具体参数如下： 模型大小：Base（基础版），这意味着它使用了一个相对较小的Transformer模型。 Patch大小：16x16，这意味着图像被分割成16x16像素的块。 输入图像大小：224x224，这是模型期望的输入图像大小（在预处理阶段，图像可能会被缩放到这个大小）。
ViT:实现Vi（sion）T（transformer）
05-26
在PyTorch中实现Vi（sual）T（transformer） 大家好，新年快乐！ 今天，我们将要实现著名的Vi （双） T （变压器），该产品在“。 代码在这里，可以从下载本文的交互式版本。 ViT将很快在我称为新计算机视觉库中提供 这是一个技术教程，而不是您在普通的中级文章中找到的使您变得富有的前5个最重要的熊猫功能。 因此，在开始之前，我强烈建议您： 看看惊人的网站 观看 阅读文档 因此，ViT使用在图像上工作的普通变压器（“提出的一种变压器）。 但是，如何？ 下图显示了ViT的体系结构 输入图像被分解为16x16展平的小块（图像未按比例绘制）。 然后使用普通的完全连接层将它们嵌入，在它们前面添加特殊的cls令牌，并对positional encoding求和。 生成的张量首先传递到标准Transformer，然后传递到分类头。 就是这样。 本文的结构分为以下几节
轻松理解ViT(Vision Transformer)原理及源码
qq_17027283的博客
06-27 2285
轻松理解ViT(Vision Transformer)原理及源码
【计算机视觉】ViT：代码逐行解读
wzk4869的博客
05-04 3412
【计算机视觉】ViT：代码逐行解读
【AI】计算机视觉VIT文章（Transformer）源码解析
zhoulizhu的博客
12-27 2041
Transformer提出后在NLP领域中取得了极好的效果，其全Attention的结构，不仅增强了特征提取能力，还保持了并行计算的特点，可以又快又好的完成NLP领域内几乎所有任务，极大地推动自然语言处理的发展。
T2T ViT 源码解读
whr980114的博客
08-10 881
文章结构分文transformer 和performer结构 def _cfg(url='', **kwargs): return { 'url': url, 'num_classes': 1000, 'input_size': (3, 224, 224), 'pool_size': None, 'crop_pct': .9, 'interpolation': 'bicubic', 'mean': (0.485, 0.456, 0.4
vanilla vit
04-26
Vanilla ViT（Vision Transformer）是一种基于Transformer的视觉模型，用于图像分类任务。它是由Google在2021年提出的，并且在图像领域引起了广泛的关注。 ViT最初是为自然语言处理（NLP）任务设计的，通过将图像划分为均匀的图像块，并使用Transformer模型进行处理，实现了在图像分类任务中的出色表现。与传统的卷积神经网络（CNN）不同，Vanilla ViT直接将图像块转换为序列数据，并使用Transformer的自注意力机制来建立全局感知。 Vanilla ViT的主要思想是将输入图像划分为固定数量的图像块，然后将每个图像块展平为向量表示，并作为输入序列传递给Transformer编码器。编码器利用自注意力机制来捕捉全局上下文信息，并在最后一层进行分类。 与CNN相比，Vanilla ViT具有一些优点，例如能够处理任意大小的图像、具有较少的参数和更好的可解释性。然而，由于ViT对输入图像进行了划分，并且仅利用了局部上下文信息，因此在处理具有大量细节和全局结构的图像时可能存在一定的限制。
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值