【计算机视觉】Vision Transformer （ViT）详细解析_vit模型
赞
踩
【计算机视觉】Vision Transformer （ViT）详细解析
1. 介绍
论文地址：An Image Is Worth 16x16 Words: Transformers For Image Recognition At Scale
code地址：github.com/google-research/vision_transformer
Transformer 最早提出是针对NLP领域的，并且在NLP领域引起了强烈的轰动。
- 提出ViT模型的这篇文章题名为 《An Image is Worth 16x16 Words: Transformers for Image Recognition at Scale》，发表于2020年10月份；
- 虽然相较于一些Transformer的视觉任务应用模型 (如DETR) 提出要晚了一些，但作为一个纯Transformer结构的视觉分类网络，其工作还是有较大的开创性意义的。
- 关于Transformer的部分理论之前的博文中有讲 Transformer 结构细节理论解析。
- 这篇文章实验中，给出的最佳 vit 模型（先在Google的JFT数据集上进行了预训练）然后在ImageNet1K（finetune）上能够达到88.55%的准确率，说明Transformer在CV领域确实是有效的，而且效果还挺惊人。
2. VIT 模型
ViT的核心流程包括：
- 图像分块处理 (make patches)
- 图像块嵌入 (patch embedding)与位置编码、
- Transformer编码器
- MLP分类处理等4个主要部分。
下面分别从这四个流程部分来阐述ViT的基本设计。
2.1 图像分块处理 (make patches)
第一步可以看作是一个图像预处理步骤。
- 在CNN中，直接对图像进行二维卷积处理即可，不需要特殊的预处理流程。
- 但Transformer结构不能直接处理图像，在此之前需要对其进行分块处理。（序列化）
假设一个图像 I ∈ H × W × C I∈H×W×C I∈H×W×C，
- 现在将其分成大小为 P × P × C 的 p a t c h e s P×P×C 的patches P×P×C的patches，那么就会有 N = H W P 2 N= \frac{HW}{P^2} N=P2HW 个patches，全部patches的维度就可以写为 N × P × P × C N×P×P×C N×P×P×C。
- 然后将每个patch进行展平，相应的数据维度就可以写为 N × ( P 2 × C ) N×(P^2×C) N×(P2×C)，也就是shape变成了（ N , P 2 × C N, P^2×C N,P2×C）。
这里 N N N 可以理解为输入到Transformer的序列长度， C C C 为输入图像的通道数， P P P 为图像patch的大小。（这样也就符合了transformer的输入）
2.2 图像块嵌入与位置编码
2.2.1 图像块嵌入 (patch embedding)
2.1 中的图像分块仅仅是一道预处理流程，要将 N × ( P 2 × C ) N×(P^2×C) N×(P2×C) 的向量维度，转化为N×D大小的二维输入，还需要做一个图像块嵌入的操作。
- 类似NLP中的词嵌入，块嵌入也是一种将高维向量转化为低维向量的方式。
所谓图像块嵌入，其实就是对每一个展平后的 patch 向量做一个线性变换，即全连接层，降维后的维度为D。
上式中的
E
E
E 即为块嵌入的全连接层，其输入大小为
P
2
×
C
P^2×C
P2×C（一维），输出大小为D（也是一维）。
- 值得注意的是，上式中给长度为 N N N 的向量还追加了一个分类向量，用于Transformer训练过程中的类别信息学习。
- 假设将图像分为 9个patch，即 N=9，输入到Transformer编码器中就有9个向量，但对于这9个向量而言，该取哪一个向量做分类预测呢？取哪一个都不合适。
- 一个合理的做法就是人为添加一个类别向量，该向量是可学习的嵌入向量，与其他9个patch嵌入向量一起输入到Transformer编码器中，最后取第一个向量作为类别预测结果。
- 所以，这个追加的向量可以理解为其他9个图像patch寻找的类别信息。
2.2.2 位置编码 (position encoding)
为了保持输入图像patch之间的空间位置信息，还需要对图像块嵌入中添加一个位置编码向量，如上式中的 E p o s E_{pos} Epos 所示。
- ViT的位置编码没有使用更新的2D位置嵌入方法，而是直接用的一维可学习的位置嵌入变量，
- 原因是论文作者发现实际使用时2D并没有展现出比1D更好的效果。
2.3 Transformer Encoder（编码器）
Vit中所使用的Transformer 编码器结构和原文《Attention is all you need》中的一致，理论细节可以参考Transformer 详解。
- 主要还是使用了多头注意力机制；
- 另外，不像nlp领域中的翻译任务，vit 没有利用解码器的结构。
Transformer Encoder 其实就是重复堆叠 Encoder Block L次，下图是绘制的Encoder Block，主要由以下几部分组成：
- Layer Norm，这种Normalization方法主要是针对NLP领域提出的，这里是对每个token进行Norm处理，之前也有讲过Layer Norm不懂的可以参考LRN，BN，LN, IN, GN, FRN, WN, BRN, CBN, CmBN 详解
- Multi-Head Attention，这个结构之前在讲Transformer中很详细的讲过，不在赘述，不了解的可以参考 Transformer 详解。
- Dropout/DropPath，在原论文的代码中是直接使用的Dropout层，在但rwightman实现的代码中使用的是DropPath（stochastic depth），可能后者会更好一点。
- MLP Block，如右图所示，就是全连接+GELU激活函数+Dropout组成也非常简单，需要注意的是第一个全连接层会把输入节点个数翻4倍[197, 768] -> [197, 3072]，第二个全连接层会还原回原节点个数[197, 3072] -> [197, 768]。
2.4 MLP Head（全连接头）
上面通过Transformer Encoder 后输出的shape和输入的shape是保持不变的，以ViT-B/16为例，输入的是[197, 768]输出的还是[197, 768]。
- 注意，在Transformer Encoder后其实还有一个Layer Norm没有画出来，后面有细画的 ViT 的模型可以看到详细结构。
- 这里我们只是需要分类的信息，所以我们只需要提取出[class]token生成的对应结果就行，即[197, 768]中抽取出 [class]token（也就是添加的分类向量） 对应的[1, 768]。
- 接着我们通过MLP Head得到我们最终的分类结果。MLP Head原论文中说在训练ImageNet21K时是由Linear+tanh激活函数+Linear组成。
- 但是迁移到ImageNet1K上或者你自己的数据上时，只用一个Linear即可。
2.5 全过程维度变化
为了更加清晰的展示ViT模型结构和训练过程中的向量变化，下图给出了ViT的向量维度变化图（图来自于极市平台）。
3. ViT 模型结构细节图
3.1 ViT-B/16
为了方便大家理解，太阳花的小绿豆 根据源代码画了张更详细的图 （以ViT-B/16为例）：
3.2 ViT–Hybrid 模型
在论文4.1章节的Model Variants中有比较详细的讲到 Hybrid混合模型，
- 就是将传统CNN特征提取和Transformer进行结合。
下图 太阳花的小绿豆 绘制的是以ResNet50作为特征提取器的混合模型，但这里的Resnet与之前讲的Resnet有些不同。
- 首先这里的R50的卷积层采用的StdConv2d不是传统的Conv2d，然后将所有的BatchNorm层替换成GroupNorm层。
- 在原Resnet50网络中，stage1重复堆叠3次，stage2重复堆叠4次，stage3重复堆叠6次，stage4重复堆叠3次，但在这里的R50中，把stage4中的3个Block移至stage3中，所以stage3中共重复堆叠9次。
通过R50 Backbone进行特征提取后，得到的特征矩阵shape是[14, 14, 1024]，接着再输入Patch Embedding层，注意Patch Embedding中卷积层Conv2d的kernel_size和stride都变成了1，只是用来调整channel。后面的部分和前面ViT中讲的完全一样，就不在赘述。
4. 实验
4.1 ViT 训练
1）ViT的基本训练策略是：
- 在大数据集上先做预训练，
- 然后在小数据集上做迁移使用。
2）ViT做预训练使用到的大数据集包括：
- ILSVRC-2012 ImageNet dataset：1000 classes
- ImageNet-21k：21k classes
- JFT：18k High Resolution Images
其中JFT是一个谷歌的内部大规模图像数据集，约有300M图像18291个类别标注。
3）ViT预训练迁移到的数据集包括：
- CIFAR-10/100
- Oxford-IIIT Pets
- Oxford Flowers-102
- VTAB
- ImageNet
4）论文共设计了Base、Large和Huge三款不同大小的ViT模型，分别表示基础模型、大模型和超大模型，三款模型的各参数如下表所示。在源码中除了有Patch Size为16x16的外还有32x32的。
- 其中的 Layers就是Transformer Encoder中重复堆叠Encoder Block的次数，
- Hidden Size就是对应通过Embedding层后每个token的dim（向量的长度），
- MLP size是Transformer Encoder中MLP Block第一个全连接的节点个数（是Hidden Size的四倍），
- Heads代表Transformer中Multi-Head Attention的heads数。
注：若为ViT-B/16 就表示patch size为16的 ViT-Base模型。
4.2 ViT 实验 1—预训练数据集 和 大模型
ViT最核心的实验就是将前述的训练方法进行实现，
- 即在大规模数据集上预训练后迁移到小数据集上看模型效果。
为了比对CNN模型，
- 论文特地用了Big Transfer (BiT)，该模型使用大的ResNet进行监督迁移学习，是2020 ECCV上提出的一个大CNN模型。
- 另外一个比对CNN模型是2020年CVPR上的Noisy Student模型，是一个半监督的大型CNN模型。
ViT、BiT 和 Nosiy Student 模型经三大数据集预训练后在各小数据集上的准确率如下表所示。
从表中可以看到，ViT经过大数据集的预训练后，
- 在各小数据集上的迁移后准确率超过了一些SOTA CNN模型的结果。
- 但要取得这种超越CNN的性能效果，需要大的预训练数据集和大模型的结合。
问题：所以接下来的问题就是 ViT 对预训练数据集规模到底有怎样的要求？
论文针对此问题做了一个对比实验。分别在ImageNet、ImageNet-21k和JFT-300M进行预训练，三个数据集规模分别为小数据集、中等规模数据集和超大数据集，预训练效果如下图所示。
从图中可以看到，
- 在最小的数据集ImageNet上进行预训练时，尽管作者加了大量的正则化操作，ViT-Large模型性能不如ViT-base模型，更远不如BiT的性能。
- 在中等规模的ImageNet-21k数据集上，大家的表现都差不多，
- 只有到了JFT-30M这样的超大数据集上，ViT模型才能发挥出它的优势和效果。
总之，大的预训练数据集加上大模型，是ViT取得SOTA性能的关键因素。
4.3 ViT 实验 2—Hybrid 和 纯 ViT
下表是论文用来对比ViT，Resnet（和刚刚讲的一样，使用的卷积层和Norm层都进行了修改）以及Hybrid模型的效果。通过对比发现，在训练epoch较少时Hybrid优于ViT，但当epoch增大后ViT优于Hybrid。
参考
【1】https://blog.csdn.net/weixin_37737254/article/details/117639395
【2】https://blog.csdn.net/qq_37541097/article/details/118242600
