Vision Transformer（VIT）原理总结

VIT，文章题名为An Image is Worth 16x16 Words: Transformers for Image Recognition at Scale，发表于2020年10月。基于纯Transformer结构来做图像分类任务，论文中相关实验证明在大规模数据集上做完预训练后的ViT模型，在迁移到中小规模数据集的分类任务上以后，能够取得比CNN更好的性能。

🎏目录

    🎈1 网络结构
    🎈2 Transformer Encoder
      🎄2.1 类别记号
    🎈3 MLP
    🎈4 参考文章

论文地址
Code

✨1 网络结构

如上图，按照红框可分为四块：

1. 图像预处理：Transformer不能直接处理图像。因此，需要将图像分层NxN的图像块。如果图像分辨率变大，而要求图像块尺寸不变，增加图像块数量即可。
2. 展平层：第二个红框（Linear Projection of Fallttened Patches）将图像块展平为一维（NxN=>N^2X1）。
3. Transformer Encoder：依次赋予展平的图像块类别记号和位置编码并输入Transormer的编码器，输出结果。注意，因为这里是分类任务而不是生成任务，因此不需要解码器。
4. MLP：取Transformer编码器输出的第一个embedding，将其输入到分类网络，即MLP中，输出所属类别概率

✨2 Transformer Encoder

Transformer原理在另一个文章中总结过，这里主要介绍之前没有提过的类别记号

假设，图像经过预处理和展平层后得到维度为(Batch size, block_num, D)的矩阵X。

🍔2.1 类别记号

如果没有class token，我们将X与位置编码相加再通过Transformer Encoder后，仍然输出维度为(Batch size, Block num, D)的矩阵。但是输入分类网络的变量维度只需要(Batch size, 1, D)，这就很难决定用Block num个变量中哪一个进行分类。（原因）
因此，输入Tranformer Encoder之前，将X与一个维度为(Batch size, 1, D)的类别记号编码进行拼接，最终维度为(Batch size, Block num + 1, D)，然后与维度为(Batch size, Block num + 1, D)的位置编码相加，并输入Transformer Encoder。最终输出结果的维度为(Batch size, Block num+1, D)，此时利用切片，获得第一个变量（Batch size, 1, D）输入MLP进行分类。（具体做法）

省略Batch Size维度该过程如下图：

需要注意的是，类别记号也是一个可学习编码变量，正常初始化即可。

✨3 MLP

MLP结构如下，其中FC（全连接层）和tanh（激活函数）可选，Linear用于分类。

4 ✨参考文章

1️⃣https://zhuanlan.zhihu.com/p/617175563