MobileVit代码解析

开始学AI

已于 2023-03-06 14:56:23 修改

阅读量3k

点赞数 11

分类专栏：论文阅读文章标签：深度学习无人机图像

于 2022-04-27 13:54:15 首次发布

本文链接：https://blog.csdn.net/qq_41964545/article/details/124448979

版权

论文阅读专栏收录该内容

13 篇文章 4 订阅

订阅专栏

MobileVit代码逐行解析

代码链接:非官方实现

1.1导入所需模块

from torch import nn
import torch
from torch.nn.modules import conv
from torch.nn.modules.conv import Conv2d
from einops import rearrange

以下为MobileVit结构和函数入口

在这里插入图片描述
其中 self.conv1=conv_bn(3,channels[0],kernel_size=3,stride=patch_size) 有关conv_bn的定义如下，结构为卷积+批归一化+激活

def conv_bn(inp,oup,kernel_size=3,stride=1):
    return nn.Sequential(
        nn.Conv2d(inp,oup,kernel_size=kernel_size,stride=stride,padding=kernel_size//2),
        nn.BatchNorm2d(oup),
        nn.SiLU()
    )

1.2 MobileNetv2 Block解析

经过基础卷积之后，后面接5个MobileNetv2 Block，代码入口为：
y=self.mv2[0]
y=self.mv2[1] #
y=self.mv2[2]
y=self.mv2[3]
y=self.mv2[4] #
其中
self.mv2=nn.ModuleList([])
self.mv2.append(MV2Block(channels[0],channels[1],1))
self.mv2.append(MV2Block(channels[1],channels[2],2))
self.mv2.append(MV2Block(channels[2],channels[3],1))
self.mv2.append(MV2Block(channels[2],channels[3],1)) # x2
self.mv2.append(MV2Block(channels[3],channels[4],2))
MV2Block的定义如下：

class MV2Block(nn.Module):
    def __init__(self,inp,out,stride=1,expansion=4):
        super().__init__()
        self.stride=stride
        hidden_dim=inp*expansion
        self.use_res_connection=stride==1 and inp==out  # 先执行== 和and 再执行=

        if expansion==1:
            self.conv=nn.Sequential(
                nn.Conv2d(hidden_dim,hidden_dim,kernel_size=3,stride=self.stride,padding=1,groups=hidden_dim,bias=False),
                nn.BatchNorm2d(hidden_dim),
                nn.SiLU(),
                nn.Conv2d(hidden_dim,out,kernel_size=1,stride=1,bias=False),
                nn.BatchNorm2d(out)
            )
        else:
            self.conv=nn.Sequential(
                nn.Conv2d(inp,hidden_dim,kernel_size=1,stride=1,bias=False),
                nn.BatchNorm2d(hidden_dim),
                nn.SiLU(),
                nn.Conv2d(hidden_dim,hidden_dim,kernel_size=3,stride=1,padding=1,groups=hidden_dim,bias=False),
                nn.BatchNorm2d(hidden_dim),
                nn.SiLU(),
                nn.Conv2d(hidden_dim,out,kernel_size=1,stride=1,bias=False),
                nn.SiLU(),
                nn.BatchNorm2d(out)
            )
    def forward(self,x):
        if(self.use_res_connection):
            out=x+self.conv(x)
        else:
            out=self.conv(x)
        return out

以mobilevit_s()为例，其中channels = [16, 32, 64, 64, 96, 128, 160, 640]

MV2Block(channels[0],channels[1],1) 则为 MV2Block(16,32,1)
由于16 ！= 32 则 self.use_res_connection=0，则不使用残差连接
则输入x直接经过 self.conv ， self.conv是一个3层卷积层
第一层卷积采用 $1\times1$ ，将输入通道数16进行扩充到 $4\times16$ ，特征图大小不变，通道扩充因子expansion=4
第二层卷积采用 $3\times3$ ，通道数不变，特征图大小不变，但采用了分组卷积思想，一个通道对应一个卷积核大大减小了参数量
第三层卷积采用 $1\times1$ ，将通道数 $4\times16$ 进行映射到32，特征图大小不变

MV2Block(channels[1],channels[2],2) 则为 MV2Block(32,64,2)
由于16 ！= 32 则 self.use_res_connection=0 ，则不使用残差连接
则输入x直接经过 self.conv ， self.conv是一个3层卷积层
第一层卷积采用 $1\times1$ ，将输入通道数32进行扩充到 $4\times32$ ，特征图大小不变，通道扩充因子expansion=4
第二层卷积采用 $3\times3$ ，通道数不变，特征图大小不变，但采用了分组卷积思想，一个通道对应一个卷积核大大减小了参数量
第三层卷积采用 $1\times1$ ，将通道数 $4\times32$ 进行映射到32，特征图大小不变
需要注意的是图中第二个MV2会下采样但是该代码中并未下采样，由于strdie=2未成功用上.

1.3 Mobile Vit Block解析

经过几个类似的MV模块后，便开始进行了Mobile Vit Block的计算，其中函数入口为：

y=self.m_vits[0]

其中 self.m_vits[0]为self.m_vits.append(MobileViTAttention(channels[4],dim=dims[0],kernel_size=kernel_size,patch_size=patch_size,depth=depths[0],mlp_dim=int(2*dims[0])))

MobileViTAttention的相关定义如下：

class MobileViTAttention(nn.Module):
    def __init__(self,in_channel=3,dim=512,kernel_size=3,patch_size=7,depth=3,mlp_dim=1024):
        super().__init__()
        self.ph,self.pw=patch_size,patch_size
        self.conv1=nn.Conv2d(in_channel,in_channel,kernel_size=kernel_size,padding=kernel_size//2)
        self.conv2=nn.Conv2d(in_channel,dim,kernel_size=1)

        self.trans=Transformer(dim=dim,depth=depth,heads=8,head_dim=64,mlp_dim=mlp_dim)

        self.conv3=nn.Conv2d(dim,in_channel,kernel_size=1)
        self.conv4=nn.Conv2d(2*in_channel,in_channel,kernel_size=kernel_size,padding=kernel_size//2)

    def forward(self,x):
        y=x.clone() #bs,c,h,w

        ## Local Representation
        y=self.conv2(self.conv1(x)) #bs,dim,h,w

        ## Global Representation
        _,_,h,w=y.shape
        y=rearrange(y,'bs dim (nh ph) (nw pw) -> bs (ph pw) (nh nw) dim',ph=self.ph,pw=self.pw) #bs,h,w,dim
        y=self.trans(y)
        y=rearrange(y,'bs (ph pw) (nh nw) dim -> bs dim (nh ph) (nw pw)',ph=self.ph,pw=self.pw,nh=h//self.ph,nw=w//self.pw) #bs,dim,h,w

        ## Fusion
        y=self.conv3(y) #bs,dim,h,w
        y=torch.cat([x,y],1) #bs,2*dim,h,w
        y=self.conv4(y) #bs,c,h,w

        return y

其中首先经过两次卷积y=self.conv2(self.conv1(x))获得局部信息表示，且这两次卷积不会改变特征图尺寸，但将通道映射到了高维空间dim中。对应文章的该段文字。
在这里插入图片描述
然后通过 y=rearrange(y,‘bs dim (nh ph) (nw pw) -> bs (ph pw) (nh nw) dim’,ph=self.ph,pw=self.pw)

将形状为 $[b s, d i m, h, w]$ 的y进行重组，其中 $nh \times ph=h$ 和 $nw \times pw=w$

重组后y的形状为 $[b s, P, N, d i m]$ ，其中 $\times pw$ 和 $\times nw$ ，这里的P相当于每个patch的所有像素向量集，N相当于Patch数目，对应该片段的前半部分：
在这里插入图片描述
然后再经过一个Transformer层 y=self.trans(y)，其中self.trans=Transformer(dim=dim,depth=depth,heads=8,head_dim=64,mlp_dim=mlp_dim)，对应了以上最后一句话，和下述公式

$\mathbf{X}_{G}(p)=$ Transformer $\left(\mathbf{X}_{U}(p)\right), 1 \leq p \leq P$

Transformer的结构与代码下节再做分析，只需要知道做完Transformer后，张量的维度仍然是 $[b s, P, N, d i m]$ ，未改变。

随后将y重整为图片格式，经
y=rearrange(y,‘bs (ph pw) (nh nw) dim -> bs dim (nh ph) (nw pw)’,ph=self.ph,pw=self.pw,nh=h//self.ph,nw=w//self.pw)，

再将维度进行重排成 $[b s, d i m, n h * p h, n w * p w]$ ，其中ph,pw是自定义的patch的高和宽，N=nh*nw， $n h * p h$ 则为图像的高h， $n w * p w$ 为图像的宽w。 $[b s, d i m, n h * p h, n w * p w]$ 则为 $[b s, d i m, h, w]$

之所以要把dim放前面，是为了满足pytorch中图像tensor的格式为 $[B, C, H, W]$

之后经y=self.conv3(y)，将 $[b s, d i m, h, w]$ 映射回指定通道in_channel的特征图 $[b s, i n c h a n n e l, h, w]$

之后经y=torch.cat([x,y],1)，y=self.conv4(y) 将通道还原到输入x的inchannel数目上。

总的来看MobileViTAttention不会改变图片的大小，也就是不会进行下采样，同时也不会改变通道数。

下采样和通道数的变化发生在MobileNetv2 Block中。

1.4 Transformer解析

class Transformer(nn.Module):
    def __init__(self,dim,depth,heads,head_dim,mlp_dim,dropout=0.):
        super().__init__()
        self.layers=nn.ModuleList([])
        for _ in range(depth):
            self.layers.append(nn.ModuleList([
                PreNorm(dim,Attention(dim,heads,head_dim,dropout)),
                PreNorm(dim,FeedForward(dim,mlp_dim,dropout))
            ]))


    def forward(self,x):
        out=x
        for att,ffn in self.layers:
            out=out+att(out)
            out=out+ffn(out)
        return out

Tranformer的相关定义如上，其结构如下图所示，在实现结构上和图的顺序略有不同，图中顺序是先LNorm再做MSA，但是代码顺序是先MSA，再LNorm。
在这里插入图片描述
其中最重要的操作则是MSA 对应代码中的Attention块，Attention块的定义如下所示：

class Attention(nn.Module):
    def __init__(self,dim,heads,head_dim,dropout):
        super().__init__()
        inner_dim=heads*head_dim
        project_out=not(heads==1 and head_dim==dim)

        self.heads=heads
        self.scale=head_dim**-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):
        qkv=self.to_qkv(x).chunk(3,dim=-1)
        q,k,v=map(lambda t:rearrange(t,'b p n (h d) -> b p h n d',h=self.heads),qkv)
        dots=torch.matmul(q,k.transpose(-1,-2))*self.scale
        attn=self.attend(dots)
        out=torch.matmul(attn,v)
        out=rearrange(out,'b p h n d -> b p n (h d)')
        return self.to_out(out)

其中query向量，key向量和value向量由下两句产生，先用线性层生成总维度为 $heads \times head_dim \times 3$ 的向量，随后按最后一个维度，切分成3块。

    qkv=self.to_qkv(x).chunk(3,dim=-1)  
    q,k,v=map(lambda t:rearrange(t,'b p n (h d) -> b p h n d',h=self.heads),qkv)

由上述分析输入x的维度为 $[b s, P, N, d i m]$ ，其中 $\times pw$ 和 $\times nw$

经过qkv=self.to_qkv(x).chunk(3,dim=-1)后，qkv是一个包含3个元素的元组，且每个元素的维度为 $[b s, P, N, i n n e r d i m]$ ，其中 $\times headdim$

随后需要将qkv单独拿出来，并把q,k,v调整到$[bs,P,heads,N,headdim]$维度上。之后再按公式进行计算：

$\operatorname{Attention}(Q, K, V)=\operatorname{Softmax}\left(\frac{Q K^{T}}{\sqrt{d_{k}}}\right) V$

对应以下几行代码；

    dots=torch.matmul(q,k.transpose(-1,-2))*self.scale
    attn=self.attend(dots)
    out=torch.matmul(attn,v)

其中k.transpose(-1,-2)后的维度为 $[b s, P, h e a d s, h e a d d i m, N]$ ，再与q做矩阵乘法后，dots的维度为 $[b s, P, h e a d s, N, N]$ ，之后再与value向量做矩阵乘法，out维度为 $[b s, P, h e a d s, N, h e a d d i m]$ ，刚拿到out时，需要将out维度先还原到 $[b s, P, N, i n n e r d i m]$ ，对应代码out=rearrange(out,‘b p h n d -> b p n (h d)’) ，之后再通过线性层将out的维度映射回原来的输入维度 $[b s, P, N, d i m]$ ，用于后续计算与将patch还原成image 。

1.5 总结

MobileViT的结构就是通过上述模块的堆叠，最后通过卷积池化全连接层作用到图像分类任务中，也可以不做全连接，用于到其余高阶任务中。

开始学AI

关注

11
点赞
踩
49

收藏

觉得还不错? 一键收藏
打赏
8
评论
MobileVit代码解析

MobileVit代码逐行解析代码链接:非官方实现1.1导入所需模块from torch import nnimport torchfrom torch.nn.modules import convfrom torch.nn.modules.conv import Conv2dfrom einops import rearrange以下为MobileVit结构和函数入口其中 self.conv1=conv_bn(3,channels[0],kernel
复制链接

扫一扫