Vision transformer

太长不看版

Vision Transformer将CV和NLP领域知识结合起来，对原始图片进行分块，展平成序列，输入进原始Transformer模型的编码器Encoder部分，最后接入一个全连接层对图片进行分类。在大型数据集上表现超过了当前SOTA模型

前言

当前Transformer模型被大量应用在NLP自然语言处理当中，而在计算机视觉领域，Transformer的注意力机制attention也被广泛应用，比如Se模块，CBAM模块等等注意力模块，这些注意力模块能够帮助提升网络性能。而我们的工作展示了不需要依赖CNN的结构，也可以在图像分类任务上达到很好的效果，并且也十分适合用于迁移学习。

这里的代码引用自 https://github.com/lucidrains/vit-pytorch，大家有兴趣也可以跑跑demo。

方法

首先结构上，我们采取的是原始Transformer模型，方便开箱即用。

如果对Transformer模型不太了解的可以参考这篇文章 解析Transformer模型

整体结构如下

数据处理部分

原始输入的图片数据是 H x W x C，我们先对图片作分块，再进行展平。假设每个块的长宽为(P, P)，那么分块的数目为
$$N=H\ast W/(P\ast P)$$
然后对每个图片块展平成一维向量，每个向量大小为
$$P\ast P\ast C$$
总的输入变换为
$$N\times (P^2\cdot C)$$
这里的代码如下：

x = rearrange(img, 'b c (h p1) (w p2) -> b (h w) (p1 p2 c)', p1=p, p2=p)
1

它使用的是一个einops的拓展包，完成了上述的变换工作

Patch Embedding

接着对每个向量都做一个线性变换（即全连接层），压缩维度为D，这里我们称其为 Patch Embedding。

在代码里是初始化一个全连接层，输出维度为dim，然后将分块后的数据输入

self.patch_to_embedding = nn.Linear(patch_dim, dim)

# forward前向代码
x = rearrange(img, 'b c (h p1) (w p2) -> b (h w) (p1 p2 c)', p1=p, p2=p)
x = self.patch_to_embedding(x)
1
2
3
4
5

Positional Encoding

还记得在解析Transformer那篇文章内有说过，原始的Transformer引入了一个 Positional encoding 来加入序列的位置信息，同样在这里也引入了pos_embedding，是用一个可训练的变量替代。

self.pos_embedding = nn.Parameter(torch.randn(1, num_patches + 1, dim))
1

文章也提供了可视化图

很有意思的是这里第二个维度多加了个1。下面会有讲到

class_token

这里我们再来仔细看上图的一个结构

假设我们按照论文切成了9块，但是在输入的时候变成了10个向量。这是人为增加的一个向量。

因为传统的Transformer采取的是类似seq2seq编解码的结构
而ViT只用到了Encoder编码器结构，缺少了解码的过程，假设你9个向量经过编码器之后，你该选择哪一个向量进入到最后的分类头呢？因此这里作者给了额外的一个用于分类的向量，与输入进行拼接。同样这是一个可学习的变量。

具体操作如下

# 假设dim=128，这里shape为(1, 1, 128)
self.cls_token = nn.Parameter(torch.randn(1, 1, dim))

# forward前向代码
# 假设batchsize=10，这里shape为(10, 1, 128)
cls_tokens = repeat(self.cls_token, '() n d -> b n d', b=b)
# 跟前面的分块为x（10，64， 128）的进行concat
# 得到（10， 65， 128）向量
x = torch.cat((cls_tokens, x), dim=1)
1
2
3
4
5
6
7
8
9

知道这个操作，我们也就能明白为什么前面的pos_embedding的第一维也要加1了，后续将pos_embedding也加入到x

 x += self.pos_embedding[:, :(n + 1)]
1

分类

分类头很简单，加入了LayerNorm和两层全连接层实现的，采用的是GELU激活函数。
代码如下

self.mlp_head = nn.Sequential(
            nn.LayerNorm(dim),
            nn.Linear(dim, mlp_dim),
            nn.GELU(),
            nn.Dropout(dropout),
            nn.Linear(mlp_dim, num_classes)
        )
1
2
3
4
5
6
7

最终分类我们只取第一个，也就是用于分类的token，输入到分类头里，得到最后的分类结果

self.to_cls_token = nn.Identity()
# forward前向部分
x = self.transformer(x, mask)
x = self.to_cls_token(x[:, 0])
return self.mlp_head(x)
1
2
3
4
5

可以看到整个流程是非常简单的，下面是ViT的整体代码

class ViT(nn.Module):
    def __init__(self, *, image_size, patch_size, num_classes, dim, depth, heads, mlp_dim, channels=3, dropout=0.,
                 emb_dropout=0.):
        super().__init__()
        assert image_size % patch_size == 0, 'Image dimensions must be divisible by the patch size.'
        num_patches = (image_size // patch_size) ** 2
        patch_dim = channels * patch_size ** 2
        assert num_patches > MIN_NUM_PATCHES, f'your number of patches ({num_patches}) is way too small for attention to be effective (at least 16). Try decreasing your patch size'

        self.patch_size = patch_size

        self.pos_embedding = nn.Parameter(torch.randn(1, num_patches + 1, dim))
        self.patch_to_embedding = nn.Linear(patch_dim, dim)
        self.cls_token = nn.Parameter(torch.randn(1, 1, dim))
        self.dropout = nn.Dropout(emb_dropout)

        self.transformer = Transformer(dim, depth, heads, mlp_dim, dropout)

        self.to_cls_token = nn.Identity()

        self.mlp_head = nn.Sequential(
            nn.LayerNorm(dim),
            nn.Linear(dim, mlp_dim),
            nn.GELU(),
            nn.Dropout(dropout),
            nn.Linear(mlp_dim, num_classes)
        )

    def forward(self, img, mask=None):
        p = self.patch_size

        x = self.patch_to_embedding(x)
        b, n, _ = x.shape

        cls_tokens = repeat(self.cls_token, '() n d -> b n d', b=b)
        x = torch.cat((cls_tokens, x), dim=1)
        x += self.pos_embedding[:, :(n + 1)]
        x = self.dropout(x)

        x = self.transformer(x, mask)

        x = self.to_cls_token(x[:, 0])
        return self.mlp_head(x)
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43

实验部分

与Transformer一样，ViT也有规模不一样的模型设置，如下图所示

可以看到整体模型还是挺大的，而经过大数据集的预训练后，性能也超过了当前CNN的一些SOTA结果

另外作者还给了注意力观察得到的图片块，我的一点猜想是可能有利于对神经网络可解释性的研究。

总结

继DETR后，这又是一个CV和NLP结合的工作。思想非常的朴素简单，就是拿最原始的Transformer模型来做图像分类。现有的性能还需要大量的数据来训练，期待后续工作对ViT做一些改进，降低其训练时间和所需数据量，让人人都能玩得起ViT！