Swin Transformer之PatchMerging原理及源码

白话先生NIT

已于 2022-06-05 15:57:59 修改

阅读量1.7w

点赞数 29

文章标签： python 深度学习 pytorch

于 2022-06-02 09:41:08 首次发布

本文链接：https://blog.csdn.net/liuweizj12/article/details/125094643

版权

本文详细介绍了Transformer中Patch Merging层的工作原理和实现方式，该层用于下采样，减少分辨率，调整通道数，并在保持信息完整性的前提下节省计算量。与传统的池化操作不同，Patch Merging通过拼接相邻的patch来实现降采样，最终通过线性层减少通道数。源代码展示了如何在PyTorch中实现这一过程。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

1.图示

2.原理

Patch Merging层进行下采样。该模块的作用是做降采样，用于缩小分辨率，调整通道数进而形成层次化的设计，同时也能节省一定运算量。

在CNN中，则是在每个Stage开始前用stride=2的卷积/池化层来降低分辨率。

patch Merging是一个类似于池化的操作，但是比Pooling操作复杂一些。池化会损失信息，patch Merging不会。

每次降采样是两倍，因此在行方向和列方向上，按位置间隔2选取元素，拼成新的patch，再把所有patch都concat起来作为一整个张量，最后展开。此时通道维度会变成原先的4倍（因为H,W各缩小2倍），此时再通过一个全连接层再调整通道维度为原来的两倍。

3.源码

import torch
import torch.nn as nn
import math
import numpy as np


class PatchMerging(nn.Module):
    r""" Patch Merging Layer.
    Args:
        input_resolution (tuple[int]): Resolution of input feature.
        dim (int): Number of input channels.
        norm_layer (nn.Module, optional): Normalization layer.  Default: nn.LayerNorm
    """

    def __init__(self, dim, norm_layer=nn.LayerNorm):
        super().__init__()

        self.dim = dim
        self.reduction = nn.Linear(4 * dim, 2 * dim, bias=False)
        self.norm = norm_layer(4 * dim)

    def forward(self, x):
        """
        x: B, H*W, C
        """
        B, L, C = x.shape
        H = int(math.sqrt(L))
        W = int(math.sqrt(L))

        assert L == H * W, "input feature has wrong size"
        assert H % 2 == 0 and W % 2 == 0, f"x size ({H}*{W}) are not even."

        x = x.view(B, H, W, C)
        print('--------------------------')
        print(x)
        print('原始图像4D维度：',x.shape)

        # 在行和列方向上间隔1选取元素
        x0 = x[:, 0::2, 0::2, :]  # B H/2 W/2 C
        print('--------------------------')
        print(x0)
        print('切分图像4D维度：',x0.shape)
        x1 = x[:, 1::2, 0::2, :]  # B H/2 W/2 C
        print('--------------------------')
        print(x1)
        print('切分图像4D维度：',x1.shape)
        x2 = x[:, 0::2, 1::2, :]  # B H/2 W/2 C
        print('--------------------------')
        print(x2)
        print('切分图像4D维度：',x2.shape)
        x3 = x[:, 1::2, 1::2, :]  # B H/2 W/2 C
        print('--------------------------')
        print(x3)
        print('切分图像4D维度：',x3.shape)

        # 拼接到一起作为一整个张量
        x = torch.cat([x0, x1, x2, x3], -1)  # B H/2 W/2 4*C
        print('--------------------------')
        print(x)
        print('拼接整个张量后：',x.shape)
        x = x.view(B, -1, 4 * C)  # B H/2*W/2 4*C
        print('--------------------------')
        print(x)
        print('合并行和列后：',x.shape)

        x = self.norm(x)           # 归一化操作
        print('--------------------------')
        print(x)
        print('归一化操作后:', x.shape)
        x = self.reduction(x)      # 降维，通道降低2倍
        print('--------------------------')
        print(x)
        print('通道降低2倍后:', x.shape)

        return x
if __name__ == "__main__":

    x = np.array([[0, 2, 0, 2],[ 1, 3, 1, 3 ],[ 0, 2, 0, 2 ],[ 1, 3, 1, 3 ]])
    x = torch.from_numpy(x)
    x = x.view(1, 4*4, 1)
    x=x.to(torch.float32)
    model = PatchMerging(1)
    print('--------------------------')
    print(x)
    print('原始图像3D维度：', x.shape)
    y = model(x)