关于transformer的具体实现步骤

1.我们都知道transformer是在nlp中应用的，为此在nlp中的首先输入形式就是序列的形势。到了CV领域里面，图像是2维的，为此，我们需要将图像变成一维的，如何实现通常采用的是如下两种方案。一种是直接分割，一种是通过卷积核和步长都为patch大小的卷积来分割。

1）直接分割

直接分割即把图像直接分成多块。在代码实现上需要使用einops这个库，完成的操作是将（B，C，H，W）的shape调整为（B，(H/P *W/P)，P*P*C）。

from einops import rearrange, repeat
from einops.layers.torch import Rearrange
 
self.to_patch_embedding = nn.Sequential(
           Rearrange('b c (h p1) (w p2) -> b (h w) (p1 p2 c)', p1 = patch_height, p2 = patch_width),
           nn.Linear(patch_dim, dim),
      )

 

这里需要解释的是，一个括号内的两个变量相乘表示的是该维度的长度，因此不要把"h"和"w"理解成图像的宽和高。这里实际上h = H/p1, w = W/p2，代表的是高度上有几块，宽度上有几块。h和w都不需要赋值，代码会自动根据这个表达式计算，b和c也会自动对应到输入数据的B和C。

后面的"b (h w) (p1 p2 c)"表示了图像分块后的shape: （B，(H/P *W/P)，P*P*C）

这种方式在分块后还需要通过一层全连接层将分块的向量映射为tokens。

在ViT中使用的就是这种直接分块方式。
 

2）卷积分割

卷积分割比较容易理解，使用卷积核和步长都为patch大小的卷积对图像卷积一次就可以了。

self.proj = nn.Conv2d(in_chans, embed_dim, kernel_size=patch_size, stride=patch_size)
 
x = self.proj(x).flatten(2).transpose(1, 2)  # B Ph*Pw C

 在swin transformer中即使用的是这种卷积分块方式。在swin transformer中卷积后没有再加全连接层。