论文解读：VIT探索笔记 （AN IMAGE IS WORTH 16X16 WORDS: TRANSFORMERS FOR IMAGE RECOGNITION AT SCALE）

VIT探索笔记

• Code
• Paper
• [vit-pytorch] (https://github.com/lucidrains/vit-pytorch/tree/main)
• 参看学习bilibili视频
  • 11.1 Vision Transformer(vit)网络详解
  • ViT论文逐段精读【论文精读】

切入点

如何把一张图变成一句话？ 对输入图做切割，分块，每一块就是一个token（单词）；
假设一张224x224x3的图，分块，也就是论文中的patch, 每块大小为16x16x3，那就得到196块，这样就把一个CV问题变成了NLP问题。

有了patch的想法，再加上原汁原味的Transformer， 开始大力出奇迹，特别强调，作者是保持原汁原味的Transformer，然后在其他方向上做消融实验（大力出奇迹），比如位置编码，分块大小等

没办法从感性上去思考他是怎么working的？ patch之间做Self-Attention，怎么就Nice了呢！！！！！

值得一提的相关研究，2020年Cordonnier提出一种方式，从输入图片取出2 x 2大小的patch并采用full self-attention，这与本篇采用的方式最为接近，但本篇进一步证明了使用大量训练数据训练的Transformer就比CNN SOTA具有更高的性能。论文地址：On the Relationship between Self-Attention and Convolutional Layers

内容点

• 和Transformer一样，没有任何卷积操作
• (ViT-H/14),(ViT-L/16), 数字14和16是patch size

网络结构

第一，九宫格-输入层

• 输入图片X: 224x224x3，
• patch大小设置为16x16x3，看结构图，九宫格的每一个格子是的大小16x16，维度是3,一个格子就是一个patch。
• 一张224x224的图有多少个patch呢？,也就是对应的NLP里面的token = (224x224) / (16x16) = 196个，相当于一张图转变一个196个token的句子，看上图，把九宫格拉直，就是个句子。

需要注意的是，假设输入图片X的size改变了，但是patch的size是保持不变的（16x16）；从上面的分析，可以知道，输入图片X的size变大后（224x224==》256x256），那我们将得到256个patch。 由此，就带来一个问题，positional embedding（位置编码）信息对不上了，论文中给出的方法是插值法或者重新训练。

第二，Patch Embedding | Linear Projection of Flattened Patches | 线性全连接层

• 这一层的任务也叫做：Patch Embedding
• 线性的全连接层，输入是768xD,D为设置为768（也可以根据数据大小调参，大数据集可以调整为1024），
  XE = 196 x (1616*3) x 768 x 768 = 196x768
• X经过全连接层后，得到196x768的向量，即X*E的输出为196x768

第三，Position Embedding（位置编码） 和 [class] embedding

• 位置编码有1D，2D等方式，作者在论文中做了消融实验，1D就足够好了，1D类似于对九宫格做1，2，3，4，5，6，7，8，9的位置编码；
• 打乱patch的位置，并不会改变结果，self-attention的特性
• 位置编码大小为196x768，
• X*E的输出（196x768），和 位置编码相加，得到 196x768，向量维度大小不变
• 最后，在加上一个维度，就是class标签的维度，class enbeding的大小为 1x768， cat（class enbeding， 位置编码+X*E）==》197x768， 197x768 也是Transformer Encoder的输入。

# 这里多1是class token，embed_dim即patch embed_dim
self.pos_embed = nn.Parameter(torch.zeros(1, num_patches + 1, embed_dim)) 

# patch emded + pos_embed
x = x + self.pos_embed

第四，Transformer Encoder

• 作者保留了原汁原味的Transformer Encoder，
• 输入197x768，输出197x768
• 叠加L个

完整网络结构图

交流群