ViT论文以及代码阅读

参考-知乎-ViT论文及代码解读-ICLR2021：Transformer用于视觉分类也有很好的性能

论文链接：2021-ICLR-An Image is Worth 16x16 Words: Transformers for Image Recognition at Scale

整体方法概述

ViT其实就是使用Transformer进行图像分类的一次成功的尝试。

两个关键点：

• Transformer的输入需要是一维的tokens；
  因此ViT对输入图像的处理方式是：将图像进行切块，然后直接将图像块的线性映射成一维的tokens，作为Transformer的输入。

• 并且ViT额外添加了一个用于分类的token [class] ，Encoder对特征处理之后，只需要将该分类token [class] 输入到MLP预测头实现分类。

模型详细结构

整个ViT的模型结构可以分成如下几部分：

1. 输入图像的预处理
2. 多层Transformer编码器
3. MLP分类头

预处理模块

• 输入图片【224×224×3】首先进行一次卷积，
  卷积核大小为16×16×768，16表示要划分的图像patch的大小，768是卷积核的输出通道的大小（768=16×16×3），也就是通过卷积操作，将图像patch映射成一维的向量。
• 卷积之后的维度为14×14×768，在空间维度上尽进行Flatten，因此变成196×768，也就是得到了196个称为768的token.
• 然后，添加一个用于分类的token【class】，维度是1×768，在图像tokens的前面，因此整体输入变成了197个tokens。
• 在tokens上添加位置embedding：Position Embedding维度为197×768，直接加到对应的tokens的数值上即可。

代码如下：

class PatchEmbed(nn.Module):
    """
    2D Image to Patch Embedding，二维图像patch Embedding
    """
    def __init__(self, img_size=224, patch_size=16, in_c=3, embed_dim=768, norm_layer=None):
        super().__init__()
        img_size = (img_size, img_size)  # 图片尺寸224*224
        patch_size = (patch_size, patch_size)  #下采样倍数，一个grid cell包含了16*16的图片信息
        self.img_size = img_size
        self.patch_size = patch_size
        # grid_size是经过patchembed后的特征层的尺寸
        self.grid_size = (img_size[0] // patch_size[0], img_size[1] // patch_size[1])
        self.num_patches = self.grid_size[0] * self.grid_size[1] #path个数 14*14=196
​
        # 通过一个卷积，完成patchEmbed
        self.proj = nn.Conv2d(in_c, embed_dim, kernel_size=patch_size,stride=patch_size)
        # 如果使用了norm层，如BatchNorm2d，将通道数传入，以进行归一化，否则进行恒等映射
        self.norm = norm_layer(embed_dim) if norm_layer else nn.Identity()
​
    def forward(self, x):
        B, C, H, W = x.shape  #batch,channels,heigth,weigth
        # 输入图片的尺寸要满足既定的尺寸
        assert H == self.img_size[0] and W == self.img_size[1], \
            f"Input image size ({H}*{W}) doesn't match model ({self.img_size[0]}*{self.img_size[1]})."
​
        # proj: [B, C, H, W] -> [B, C, H，W] , [B,3,224,224]-> [B,768,14,14]
        # flatten: [B, C, H, W] -> [B, C, HW] , [B,768,14,14]-> [B,768,196]
        # transpose: [B, C, HW] -> [B, HW, C] , [B,768,196]-> [B,196,768]
        x = self.proj(x).flatten(2).transpose(1, 2)
        x = self.norm(x)
        return x

Transformer编码模块

Encoder block主要包含两个部分：多头注意力模块和MLP模块

Multi-head attention

对于输入querys首先经过一个linear层获取qkv；
然后将qkv分别在（length维度上，将C进行划分）划分成nums_head个；
之后进行自注意力的矩阵相乘即可：qk先计算注意力权重α；得到注意力权重后根据权重值对v进行加权求和。

代码如下：

class Attention(nn.Module):
    """
    muti-head attention模块，也是transformer最主要的操作
    """
    def __init__(self,
                 dim,   # 输入token的dim,768
                 num_heads=8, #muti-head的head个数，实例化时base尺寸的vit默认为12
                 qkv_bias=False,
                 qk_scale=None,
                 attn_drop_ratio=0.,
                 proj_drop_ratio=0.):
        super(Attention, self).__init__()
        self.num_heads = num_heads
        head_dim = dim // num_heads  #平均每个head的维度
        self.scale = qk_scale or head_dim ** -0.5  #进行query操作时，缩放因子
        # qkv矩阵相乘操作，dim * 3使得一次性进行qkv操作
        self.qkv = nn.Linear(dim, dim * 3, bias=qkv_bias)
        self.attn_drop = nn.Dropout(attn_drop_ratio)
        self.proj = nn.Linear(dim, dim)  #一个卷积层
        self.proj_drop = nn.Dropout(proj_drop_ratio)
​
    def forward(self, x):
        # [batch_size, num_patches + 1, total_embed_dim] 如 [bactn,197,768]
        B, N, C = x.shape  # N:197 , C:768
​
        # qkv进行注意力操作，reshape进行muti-head的维度分配，permute维度调换以便后续操作
        # qkv(): -> [batch_size, num_patches + 1, 3 * total_embed_dim] 如 [b,197,2304]
        # reshape: -> [batch_size, num_patches + 1, 3, num_heads, embed_dim_per_head] 如 [b,197,3,12,64]，在这一步中实现了muti-head操作
        # permute: -> [3, batch_size, num_heads, num_patches + 1, embed_dim_per_head]
        qkv = self.qkv(x).reshape(B, N, 3, self.num_heads, C // self.num_heads).permute(2, 0, 3, 1, 4)
        # qkv的维度相同，[batch_size, num_heads, num_patches + 1, embed_dim_per_head]
        q, k, v = qkv[0], qkv[1], qkv[2]  # make torchscript happy (cannot use tensor as tuple)
​
        # transpose: -> [batch_size, num_heads, embed_dim_per_head, num_patches + 1]
        # @: multiply -> [batch_size, num_heads, num_patches + 1, num_patches + 1]
        attn = (q @ k.transpose(-2, -1)) * self.scale  #矩阵相乘操作
        attn = attn.softmax(dim=-1) #每一path进行softmax操作
        attn = self.attn_drop(attn)
​
        # [b,12,197,197]@[b,12,197,64] -> [b,12,197,64]
        # @: multiply -> [batch_size, num_heads, num_patches + 1, embed_dim_per_head]
        # 维度交换 transpose: -> [batch_size, num_patches + 1, num_heads, embed_dim_per_head]
        # reshape: -> [batch_size, num_patches + 1, total_embed_dim]
        x = (attn @ v).transpose(1, 2).reshape(B, N, C)
        x = self.proj(x)  #经过一层卷积
        x = self.proj_drop(x)  #Dropout
        return x

MLP

MLP就是一个两层感知机，

class Mlp(nn.Module):
    """
    MLP as used in Vision Transformer, MLP-Mixer and related networks
    """
    def __init__(self, in_features, hidden_features=None, out_features=None,
                 act_layer=nn.GELU,  # GELU是更加平滑的relu
                 drop=0.):
        super().__init__()
        out_features = out_features or in_features  #如果out_features不存在，则为in_features
        hidden_features = hidden_features or in_features #如果hidden_features不存在，则为in_features。论文中hidden_features升维为原来的4倍
        self.fc1 = nn.Linear(in_features, hidden_features) #fc层1
        self.act = act_layer() #激活
        self.fc2 = nn.Linear(hidden_features, out_features)  #fc层2
        self.drop = nn.Dropout(drop)
​
    def forward(self, x):
        x = self.fc1(x)
        x = self.act(x)
        x = self.drop(x)
        x = self.fc2(x)
        x = self.drop(x)
        return x

Transformer整体代码

内部包括多头注意模块+MLP模块，并且每个块都进行了残差连接。

class Block(nn.Module):
    """
    基本的Transformer模块
    """
    def __init__(self,
                 dim,num_heads, mlp_ratio=4.,
                 qkv_bias=False, qk_scale=None, drop_ratio=0.,
                 attn_drop_ratio=0., drop_path_ratio=0.,
                 act_layer=nn.GELU, norm_layer=nn.LayerNorm):
        super(Block, self).__init__()
        self.norm1 = norm_layer(dim)  #norm层
        self.attn = Attention(dim, num_heads=num_heads, qkv_bias=qkv_bias, qk_scale=qk_scale,
                              attn_drop_ratio=attn_drop_ratio, proj_drop_ratio=drop_ratio)
        # NOTE: drop path for stochastic depth, we shall see if this is better than dropout here
        # 代码使用了DropPath，而不是原版的dropout
        self.drop_path = DropPath(drop_path_ratio) if drop_path_ratio > 0. else nn.Identity()
        self.norm2 = norm_layer(dim) #norm层
        mlp_hidden_dim = int(dim * mlp_ratio)  #隐藏层维度扩张后的通道数
        # 多层感知机
        self.mlp = Mlp(in_features=dim, hidden_features=mlp_hidden_dim, act_layer=act_layer, drop=drop_ratio)
​
    def forward(self, x):
        x = x + self.drop_path(self.attn(self.norm1(x)))  # attention后残差连接
        x = x + self.drop_path(selfpython'.mlp(self.norm2(x)))   # mlp后残差连接
        return x

分类头

分类头很简单，就是取特征层如197* 768的第一个向量，即1*768，再对此进行线性全连接层进行多分类即可。

# self.num_features=768
# num_classes为分类任务的类别数量 
self.head = nn.Linear(self.num_features, num_classes) if num_classes > 0 else nn.Identit