ViT结构

Vision Transformer

图像输入尺寸为 [ N , C , H , W ] [N, C, H, W] [N,C,H,W] C C C通常为3,为了构建为 T r a n s f o r m e r Transformer Transformer需要的输入,将输入图像切分为 p h ∗ p w ∗ C p_h * p_w * C phpwC尺寸的 n n n个小图块,合计切出 h ∗ w h*w hw个小图块。

# reshape and flatten
[N, C, H, W] => [N, h*w, p_h * p_w * C] => [N, h*w, dim] # h = H // p_h, w = W // p_w, input flattened feature to nn.Linear, map into dim dimenstion.
# concat cls_tokens and add positional embedding
cls_token = nn.Parameter(torch.randn(1, 1, dim))
cls_token = repeat(cls_token, '() n d -> b n d', b=b)
pose_embedding = nn.Parameter(torch.randn(1, num_patches + 1, dim)
[N, n, dim] => [N, n + 1, dim] => [N, n + 1, dim] # n = h * w, cls_tokens -> positional embedding.

经过 n n n e n c o d i n g    l a y e r s encoding\; layers encodinglayers构建成的 T r a n s f o r m e r Transformer Transformer提取特征后,输入到 M L P    h e a d MLP\; head MLPhead 模块

[N, n + 1, dim] => [N, num_classes]

T r a n s f o r m e r Transformer Transformer e n c o d i n g    l a y e r encoding\; layer encodinglayer模块的结构如下:

encoding layer = MSA + MLP
MSA: Multi-headed Self-Attention
MLP: Multi-Layer Perceptron

在这里插入图片描述
注意力模块如下:
在这里插入图片描述

多层注意力由多个单一的注意力模块提取信息后,concat到一起。
在这里插入图片描述

  • 0
    点赞
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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