【Transformer】2、ViT：An image is worth 16x16: transformers for image recognition at scale

代码链接：https://github.com/lucidrains/vit-pytorch

论文连接：https://openreview.net/pdf?id=YicbFdNTTy

出处：ICLR2021

本文的名称是：一个图片等价于很多 16x16 的单词，就是说一个图片被打成多个 16x16 的 patch

ViT 的效果：

• 在中型数据集上（如 ImageNet）训练时，不加强的约束，ViT 模型比同等大小的残差网络低几个点，但这是可以解释的，因为 Transformer 相比 CNN 是缺少了一些归纳偏置的，就是一些先验知识或者做好的假设，比如卷积神经网络中假设的局部相关性和平移不变性的偏置，就有了先验信息，使用相对少的数据就可以得到较好的效果，但 transformer 没有这些归纳偏置，所以在较小的数据集上还没有学习到归纳信息
• 在更大的数据集 14M（ImageNet21k）和 300M（Google 的 JFT300 数据集）上训练时，就得到了和 CNN SOTA 近似的效果

一、背景和动机

Transformer 在 NLP 领域取得了很好的效果，但在计算机视觉领域还没有很多应用，在视觉中，自注意力一般是配合卷积神经网络来用，而不会改变原有的网络结构，所以作者想要借鉴其在 NLP 中的方法，在计算机视觉的分类任务中进行使用，而且作者证明了使用 CNN 不是必须的。

作者在摘要中说 transformer 需要的训练资源更少，但其实是需要 2500 天 TPU

Transformer 用到视觉问题上的难处：

• 自注意里需要 token 之间两两相乘来计算相似度，计算复杂度是 N^2，BERT 的序列长度是 512，而且需要的输入是一个序列
• 一般来说较小的分类图片输入大小 224x224，如果把像素点当做一个 token 拉平的话，序列长度就是 224x224=50776，计算复杂度非常大，更密集的检测任务的计算复杂度更大

在 ViT 之前，已经有一些方法尝试将 transformer 作用于计算机视觉，但还是没有打过 ResNet 网络：

• 很多方法引入了自注意力模块，在 CNN 中引入了多个自注意力模块，而不是整个结构全部使用自注意力的形式
• 还有一些方法使用特征图来作为 transformer 的输入（比如特征图是 14x14 的，计算复杂度就变小了）
• 还有一些方法是将图像切块，在块内做自注意力

ViT 使用 transformer 是受到其在 NLP 中展现出来的强大的可扩展性的启发而来的，希望能使用 全 transformer 的结构来实现大规模图像任务

ViT 将图片切分成图片块，每个块看做一个单词，来将视觉看做语言任务实现

二、方法

模型整体过程：

• 首先，使用步长为 patch 边长的卷积实现（这里卷积核处理时是不重叠的，可以看成切割），相当于对原图先切割成 patch，每个 patch 经过线性映射（patch embedding），得到一个一维的特征（如 32x32=1024），如粉色小框
• 然后，在每个 patch 得到的一维特征上，加上位置编码（position embedding），并且 concat 一个 cls token（也要加上位置编码 0）来用作最后的分类，因为所有 token 之间都在做交互，所以作者认为 cls embedding 能学习到其他 token 的信息，所以是有能力做分类的
• 接着，将 1x49x1024 的特征送入 Transformer，进行多层【多头注意力和 FFN 】进行特征提取
• 最后，将 cls token（1x1024）送入 MLP，输出 1x1000 维的分类结果
  
  由于 Transformer 在 NLP 中使用时，都是接受一维的输入，而图像是二维的结构，所以需要先把图像切分成大小相等的patch，然后再编码成一个序列，送入 Transformer

Vision Transformer 的过程：

1、输入图像分割成 patch，并使用可学习的 Linear Projection 将其拉伸成 D 维 (768)，为输入 Transformer 做准备

• 首先，输入图像为 $x\in R^{H\times W\times C}$，将其 reshape 为 $x_p\in RN\times (P^{2}C)$，切分后的 patch 大小为 $P\times P$，$N=HW/P^2$ 为 patch 的个数。这里，$N$ 也掌握着 Transformer 的效率。

• Transformer 在每层都使用维度大小为 $D$ 的向量输入，所以在送入 Transformer 之前，会使用可学习的线性影射（公式1）来将 patch 信息转换为 D 维。

• 粉色长条大框 linear projection E 是怎么拉平 patch 的呢，E 的大小是 768x768 的，前面的 768 对应 patch 的像素大小，后面的 768 是 D 是会随着模型尺度大小而变化的

• 196 个 token 经过 linear projection 的计算过程是：196x768x768x768,196x768 是有 196 个 patch 每个 patch 大小为 768, 经过 linear projection 后就得到 196x768

• cls token 的大小也是 768，可以和图像信息拼接起来

• 最后送入 transformer 的特征是 197x768

• 这 197 个 token 特征还需要加上 positional embedding

• 输入：3x224x224

• patch 大小 $P$：16x16

• patch 个数 $N$：14x14=196

• D：768

2、给 D 维的 Transformer 输入后面连接一个 class token

将输入编码成 $B\times N\times D$ 输入 Transformer 之前，会给 $N$ 这个维度增加一个 class token，变成 $N+1$ 维，这个 class token 是一个大小为 $1\times 1\times D$ 的可学习向量，表示 Transformer 的 Encoder 的输出（$z_L^0$），也就是作为图像的特征表达 y。

3、给上面的结果加上位置编码

添加位置编码能够保留图像的位置信息，作者使用可学习的 1D 位置编码（因为从文献来看，使用 2D 编码和相对位置编码也没有带来理想的效果）。ViT 中的位置编码是随机生成可学习参数，没有做过多设计，这样的设计。

positional embedding 在示例框架图中是使用 0/1/2/3 这种来展示的，其实真正使用的并不是 0/1/2/3 这种序号，真正使用的位置编码是可以学习的 768 维的向量，也就是会有一个表格，0 行对应一个 768 维的向量，1 行对应一个 768 维的向量，一直到最后一个位置上都对应的 768 维的向量，768 是和 patch 尺寸对应的，方便相加

作者分析不同位置编码的效果都差不多的原因可能在于，ViT 的位置编码是对 patch 进行编码，而不是像素级别的编码，patch 是图像小块儿信息，所以想要对这些 patch 的位置信息进行编码还是比较容易的，所以使用简单的 1D 编码和更复杂的 2D 编码效果都差不多，但不使用位置编码的效果会差。

如过预训练后 fine-tuning 的时候图像变大，那么预训练好的位置编码就不够用了，那么作者使用了插值的方式来扩充了位置编码的大小

4、送入 Transformer Encoder

这里的 Encoder 由多层的 multiheaded self-attention（MSA）和 MLP 组成，每层之前都会使用 Layernorm，每个 block 之后都会使用残差连接。

• $x_p$ 是 patch，E 是 linear projection，z’
• 197x768 的 patch embedding 进入 transformer encoder，先经过 layer norm
• 然后进入多头自注意力，假设使用 base 版本，有 12 个多头，每个头的维度就变成了 768/12=64，每个头对应的 K/Q/V 的维度都是 197x64，最后再把 12 个头的输出拼接起来，还是得到 197x768 的特征
• 在进入 layer norm
• 在进入 MLP，MLP 会先变成 197x3072，然后再投射回 197x768，最终输出
• 输入和输出的维度都是 197x768

归一化方法：

Transformer 中一般都使用 LayerNorm，LayerNorm 和 BatchNorm 的区别如下图所示：

• LayerNorm：对一个 batch 的所有通道进行归一化（均值为 0，方差为 1）
• BatchNorm：对一个通道的所有 batch 进行归一化（均值为 0，方差为 1）

为什么使用 cls token：

• 之前使用 CNN 做图像分类时，会通过多层卷积进行特征的提取，得到比如 14x14xC 的特征，然后每个通道的特征使用全局平均池化 GAP 来得到一个最终的特征，用于这个类别的整体特征表达，用于最后的分类任务
• 所以这里的 cls token 也是类似经过 GAP 得到的全局特征，因为 cls token 在 transformer encoder 的过程中是会和全部的 token 进行交互的，所以是有能力蕴含全局信息的
• 那么 transformer 这种多个 token 输入-多个token 输出的结构，是不是可以使用全部 token 的平均来表示类别呢，就是也做一个 GAP，经过实验来看也是可以的，但是作者为了证明不引入任何视觉的 trick 就使用原始的 transformer 结构是可行的，所以就使用了 cls token

三、效果

• 使用中等大小的数据集（如 ImageNet），Transformer 比 ResNet 的效果稍微差点，作者认为原因在于 Transformer 缺少了 CNN 中的归纳偏置（平移不变性和位置），泛化的也较差
• 使用大型数据集训练时（约 14M-300M images），作者发现大型的数据训练会胜过归纳偏置带来的效果，ViT 在使用了大型数据集预训练（ImageNet-21k 或 in-house JFT-300M）然后迁移到其他任务时，效果优于 CNN。

归纳偏置是什么？

归纳偏置可以理解成在算法在设计之初就加入的一种人为偏好，将某种方式的解优于其他解，既包含低层数据分布假设，也包含模型设计。

在深度学习时代，这种归纳性偏好更为明显。比如深度神经网络结构就偏好性的认为，层次化处理信息有更好效果；卷积神经网络认为信息具有空间局部性（locality），可以用滑动卷积共享权重方式降低参数空间；反馈神经网络则将时序信息考虑进来强调顺序重要性；图网络则是认为中心节点与邻居节点的相似性会更好引导信息流动。不同的网络结构创新就体现了不同的归纳性偏。

之前计算机视觉任务大都依赖于 CNN，CNN 有两个内置的归纳偏置：

• 局部相关性
• 权重共享

但基于注意力模型的 Transformer 最小化了归纳偏置，所以在大数据集上进行训练时，效果甚至可以超过 CNN，但小数据集上因为缺少了这种归纳偏置，所以难以总结到有意义的特征。

CNN 有较好的归纳偏置，所以数据少的时候也能实现好的效果，但数据量大的时候，这些归纳偏置就会限制其效果，但 Transformer 不会被其限制，所以在大数据集上表现更好一些。

ViT 用了哪些图像归纳偏置：

• 在切 patch 的时候用了
• 加位置编码的时候用了（位置编码开始的时候也是随机初始化的）
  

四、Vision Transformer 学习到图像的哪些特征了

为了理解 Transformer 是如何学习到图像特征的，作者分析了其内部的特征表达：

• Transformer 的第一层将 flattened patch 线性影射到了一个低维空间（公式 1），图 7 左侧可视化了前几个主要的学习到的 embedding filters，这些组件类似于每个patch内精细结构的低维表示的可信基函数。
• 线性投影之后，加上位置编码，图 7 中间展示了模型学习了在位置嵌入相似度下对图像内距离进行编码，即离得近的 patches 更趋向于有相似的位置嵌入，然后就有了 row-column 结构，同一行或同一列的 patches 有相似的嵌入。
• 自注意力机制能够提取整幅图像的信息，作者为了探究这种注意力给网络起了多大的作用，根据注意力的权重计算了其在空间中的平均距离（图 7 右），这种”注意力距离”类似于 CNN 中的感受野的大小。作者注意到，一些 heads 趋向于关注最底层的大部分图像，这表明模型确实使用了全局整合信息的能力。其他注意头在较低层上的注意距离一直很小。这种高度位置化的注意在混合模型中不太明显，这些模型在Transformer之前应用了ResNet(图7，右)，这表明它可能具有与cnn中的低层卷积层类似的功能。注意距离随网络深度的增加而增加。从全局来看，发现模型关注与分类语义相关的图像区域(图6)。

上面中间的热力图可视化，某个位置和自己的余弦相似度肯定是最高的，然后和同行同列相似度次高，其他位置较低，这也能基本想通，因为位置本来就表示的某个像素在图像中的某行某列，符合可视化结果。

五、代码

总体过程：

• 输入原图：[1, 3, 224, 224]
• patch 编码：[1, 49, 1024]，7x7=49, 32x32=1024，这里可以看做有 49 个块儿，每个块儿中有 1024 个元素，相当于把每个小块都变成了深度方向
• cls_token：[1, 50, 1024]，这里是分类任务，每个图像只会有一个输出类别，所以在块儿（49）的维度上增加一维（变成 50），这个 cls_token 可以看做是最终预测的类别
• 位置编码：[1, 50, 1024]，位置编码是使用在每个 patch 上的，位置编码是 $(N+1)D$ 维的，这里的 D=1024
• Transformer：Attention + FeedForward： [1, 50, 1024]
• 取第一组向量（或均值）作为全局特征：[1, 1024]
• MLP 输出预测类别：[1, 1000]，1000为类别数

import torch
from torch import nn

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

# helpers

def pair(t):
    return t if isinstance(t, tuple) else (t, t)

# classes

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)

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)

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):
        import pdb; pdb.set_trace()
        qkv = self.to_qkv(x).chunk(3, dim = -1) # len=3, qkv[0].shape=qkv[1].shape=qkv[2].shape=[1, 50, 1024]
        q, k, v = map(lambda t: rearrange(t, 'b n (h d) -> b h n d', h = self.heads), qkv) # q.shape=k.shape=v.shape=[1, 16, 50, 64]

        dots = torch.matmul(q, k.transpose(-1, -2)) * self.scale # [1, 16, 50, 50]

        attn = self.attend(dots) # [1, 16, 50, 50]

        out = torch.matmul(attn, v) # [1, 16, 50, 64]
        out = rearrange(out, 'b h n d -> b n (h d)') # [1, 50, 1024]
        return self.to_out(out) # [1, 50, 1024]

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:
            # attn: attention
            # ff: feedforward
            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__()
        import pdb;
        pdb.set_trace()
        image_height, image_width = pair(image_size) # 224, 224
        patch_height, patch_width = pair(patch_size) # 32, 32

        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) # 7*7=49
        patch_dim = channels * patch_height * patch_width # 3072
        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), # Linear(in_features=3072, out_features=1024, bias=True)
        )

        self.pos_embedding = nn.Parameter(torch.randn(1, num_patches + 1, dim)) # [1, 50, 1024]
        self.cls_token = nn.Parameter(torch.randn(1, 1, dim)) # [1, 1, 1024]
        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):
        # img: [1, 3, 224, 224]
        x = self.to_patch_embedding(img) # [1, 49, 1024]
        b, n, _ = x.shape

        cls_tokens = repeat(self.cls_token, '() n d -> b n d', b = b) # [1, 1, 1024] ->[b, 1, 1024]
        x = torch.cat((cls_tokens, x), dim=1)
        x += self.pos_embedding[:, :(n + 1)] # [1, 50, 1024]
        x = self.dropout(x) # [1, 50, 1024]

        x = self.transformer(x)

        x = x.mean(dim = 1) if self.pool == 'mean' else x[:, 0] # [1, 1024]

        x = self.to_latent(x)
        return self.mlp_head(x)

调用 ViT 的方法：

pip install vit-pytorch

import torch
from vit_pytorch import ViT

v = ViT(
    image_size = 256,
    patch_size = 32,
    num_classes = 1000,
    dim = 1024,
    depth = 6,
    heads = 16,
    mlp_dim = 2048,
    dropout = 0.1,
    emb_dropout = 0.1
)

img = torch.randn(1, 3, 256, 256)

preds = v(img) # (1, 1000)

Patch embedding 结构：

Sequential(
  (0): Rearrange('b c (h p1) (w p2) -> b (h w) (p1 p2 c)', p1=32, p2=32)
  (1): Linear(in_features=3072, out_features=1024, bias=True)
)

Transformer 结构：

Transformer(
  (layers): ModuleList(
    (0): ModuleList(
      (0): PreNorm(
        (norm): LayerNorm((1024,), eps=1e-05, elementwise_affine=True)
        (fn): Attention(
          (attend): Softmax(dim=-1)
          (to_qkv): Linear(in_features=1024, out_features=3072, bias=False)
          (to_out): Sequential(
            (0): Linear(in_features=1024, out_features=1024, bias=True)
            (1): Dropout(p=0.1, inplace=False)
          )
        )
      )
      (1): PreNorm(
        (norm): LayerNorm((1024,), eps=1e-05, elementwise_affine=True)
        (fn): FeedForward(
          (net): Sequential(
            (0): Linear(in_features=1024, out_features=2048, bias=True)
            (1): GELU()
            (2): Dropout(p=0.1, inplace=False)
            (3): Linear(in_features=2048, out_features=1024, bias=True)
            (4): Dropout(p=0.1, inplace=False)
          )
        )
      )
    )
    (1): ModuleList(
      (0): PreNorm(
        (norm): LayerNorm((1024,), eps=1e-05, elementwise_affine=True)
        (fn): Attention(
          (attend): Softmax(dim=-1)
          (to_qkv): Linear(in_features=1024, out_features=3072, bias=False)
          (to_out): Sequential(
            (0): Linear(in_features=1024, out_features=1024, bias=True)
            (1): Dropout(p=0.1, inplace=False)
          )
        )
      )
      (1): PreNorm(
        (norm): LayerNorm((1024,), eps=1e-05, elementwise_affine=True)
        (fn): FeedForward(
          (net): Sequential(
            (0): Linear(in_features=1024, out_features=2048, bias=True)
            (1): GELU()
            (2): Dropout(p=0.1, inplace=False)
            (3): Linear(in_features=2048, out_features=1024, bias=True)
            (4): Dropout(p=0.1, inplace=False)
          )
        )
      )
    )
    (2): ModuleList(
      (0): PreNorm(
        (norm): LayerNorm((1024,), eps=1e-05, elementwise_affine=True)
        (fn): Attention(
          (attend): Softmax(dim=-1)
          (to_qkv): Linear(in_features=1024, out_features=3072, bias=False)
          (to_out): Sequential(
            (0): Linear(in_features=1024, out_features=1024, bias=True)
            (1): Dropout(p=0.1, inplace=False)
          )
        )
      )
      (1): PreNorm(
        (norm): LayerNorm((1024,), eps=1e-05, elementwise_affine=True)
        (fn): FeedForward(
          (net): Sequential(
            (0): Linear(in_features=1024, out_features=2048, bias=True)
            (1): GELU()
            (2): Dropout(p=0.1, inplace=False)
            (3): Linear(in_features=2048, out_features=1024, bias=True)
            (4): Dropout(p=0.1, inplace=False)
          )
        )
      )
    )
    (3): ModuleList(
      (0): PreNorm(
        (norm): LayerNorm((1024,), eps=1e-05, elementwise_affine=True)
        (fn): Attention(
          (attend): Softmax(dim=-1)
          (to_qkv): Linear(in_features=1024, out_features=3072, bias=False)
          (to_out): Sequential(
            (0): Linear(in_features=1024, out_features=1024, bias=True)
            (1): Dropout(p=0.1, inplace=False)
          )
        )
      )
      (1): PreNorm(
        (norm): LayerNorm((1024,), eps=1e-05, elementwise_affine=True)
        (fn): FeedForward(
          (net): Sequential(
            (0): Linear(in_features=1024, out_features=2048, bias=True)
            (1): GELU()
            (2): Dropout(p=0.1, inplace=False)
            (3): Linear(in_features=2048, out_features=1024, bias=True)
            (4): Dropout(p=0.1, inplace=False)
          )
        )
      )
    )
    (4): ModuleList(
      (0): PreNorm(
        (norm): LayerNorm((1024,), eps=1e-05, elementwise_affine=True)
        (fn): Attention(
          (attend): Softmax(dim=-1)
          (to_qkv): Linear(in_features=1024, out_features=3072, bias=False)
          (to_out): Sequential(
            (0): Linear(in_features=1024, out_features=1024, bias=True)
            (1): Dropout(p=0.1, inplace=False)
          )
        )
      )
      (1): PreNorm(
        (norm): LayerNorm((1024,), eps=1e-05, elementwise_affine=True)
        (fn): FeedForward(
          (net): Sequential(
            (0): Linear(in_features=1024, out_features=2048, bias=True)
            (1): GELU()
            (2): Dropout(p=0.1, inplace=False)
            (3): Linear(in_features=2048, out_features=1024, bias=True)
            (4): Dropout(p=0.1, inplace=False)
          )
        )
      )
    )
    (5): ModuleList(
      (0): PreNorm(
        (norm): LayerNorm((1024,), eps=1e-05, elementwise_affine=True)
        (fn): Attention(
          (attend): Softmax(dim=-1)
          (to_qkv): Linear(in_features=1024, out_features=3072, bias=False)
          (to_out): Sequential(
            (0): Linear(in_features=1024, out_features=1024, bias=True)
            (1): Dropout(p=0.1, inplace=False)
          )
        )
      )
      (1): PreNorm(
        (norm): LayerNorm((1024,), eps=1e-05, elementwise_affine=True)
        (fn): FeedForward(
          (net): Sequential(
            (0): Linear(in_features=1024, out_features=2048, bias=True)
            (1): GELU()
            (2): Dropout(p=0.1, inplace=False)
            (3): Linear(in_features=2048, out_features=1024, bias=True)
            (4): Dropout(p=0.1, inplace=False)
          )
        )
      )
    )
  )
)

前传方式：

def forward(self, x):
    for attn, ff in self.layers:
        # attn: attention
        # ff: feedforward
        x = attn(x) + x
        x = ff(x) + x
    return x

MLP 结构：

Sequential(
  (0): LayerNorm((1024,), eps=1e-05, elementwise_affine=True)
  (1): Linear(in_features=1024, out_features=1000, bias=True)
)