深入解析视觉Transformer（ViT）及其实现细节

DatapiTHU · 2024 年8 月 6 日 09:34

深入解析Vision Transformer (ViT) 模型及其图像处理机制，提供实现代码。

原文标题：视觉Transformer解析（附代码）

原文作者：数据派THU

原文链接： http://mp.weixin.qq.com/s?__biz=MzI1MjQ2OTQ3Ng==&mid=2247642813&idx=1&sn=d3e1bd91025ac687f437a8256b8b742c&

冷月清谈：

本文深入介绍了Vision Transformer (ViT) 模型，阐述了如何将图像分割为Token并通过Transformer模型进行处理。ViT源于Transformer在自然语言处理中的成功应用，采用了类似的注意力机制，但仅使用编码器。文章探讨了ViT的模型结构及其最佳性能的预训练需求，特别是在大型数据集上。为了解决这一问题，Tokens-to-Token ViT（T2T-ViT）提出了一种新颖的预处理方法，通过减少预训练的需求而优化ViT的应用。文中还提供了详细的Python实现代码，包括图像Token化、位置编码及模型架构等，帮助读者更好地理解ViT的内在机制。

怜星夜思：

1、ViT与传统卷积神经网络的主要区别是什么？
2、在实际应用中，ViT比CNN更适合处理什么样的任务？
3、如何评估ViT的性能优化？

原文内容

来源：深度学习爱好者
本文约8000字，建议阅读16分钟

         本文将详细介绍“一张图片等于16x16个单词”中阐述的Vision Transformer（ViT）。

自2017年“注意力就是一切”的理念问世以来，Transformer模型便迅速在自然语言处理（NLP）领域崭露头角，确立了其领先地位。到了2021年，“一张图片等于16x16个单词”的理念成功将Transformer模型引入计算机视觉任务中。自此之后，众多基于Transformer的架构纷纷涌现，应用于计算机视觉领域。

本文将详细介绍“一张图片等于16x16个单词”中阐述的Vision Transformer（ViT），包括其开源代码和对各组件的概念解释。所有代码均使用PyTorch Python包实现。

本文作为一系列深入研究Vision Transformers内部工作原理的文章之一，提供了可执行代码的Jupyter Notebook版本。系列中的其他文章还包括：Vision Transformers解析、注意力机制在Vision Transformers中的应用、Vision Transformers的位置编码解析、Tokens-to-Token Vision Transformers解析以及Vision Transformers解析系列的GitHub仓库等。

那么，什么是Vision Transformers呢？正如“注意力就是一切”所介绍的，Transformer是一种利用注意力机制作为主要学习机制的机器学习模型。它迅速成为序列到序列任务（如语言翻译）的领先技术。

“一张图片等于16x16个单词”成功地改进了[1]中提出的Transformer，使其能够应对图像分类任务，从而催生了Vision Transformer（ViT）。ViT与[1]中的Transformer一样，基于注意力机制。不过，与用于NLP任务的Transformer包含编码器和解码器两个注意力分支不同，ViT仅使用编码器。编码器的输出随后传递给神经网络“头”进行预测。

然而，“一张图片等于16x16个单词”中实现的ViT存在一个缺点，即其最佳性能需要在大型数据集上进行预训练。最佳模型是在专有的JFT-300M数据集上预训练的。而在较小的开源ImageNet-21k数据集上进行预训练的模型，其性能与最先进的卷积ResNet模型相当。

Tokens-to-Token ViT: Training Vision Transformers from Scratch on ImageNet则试图通过引入一种新颖的预处理方法，将输入图像转换为一系列token，从而消除这种预训练要求。有关此方法的更多信息，请查阅相关资料。在本文中，我们将重点讨论“一张图片等于16x16个单词”中实现的ViT。

模型解析

本文遵循《一张图片等于16x16个单词》中概述的模型结构。然而，该论文的代码并未公开发布。最近的《Tokens-to-Token ViT》中的代码可在GitHub上找到。Tokens-to-Token ViT（T2T-ViT）模型在普通ViT骨干结构前添加了一个Tokens-to-Token（T2T）模块。本文中的代码基于《Tokens-to-Token ViT》GitHub代码中的ViT组件。本文对代码进行了修改，以允许非方形输入图像，并移除了dropout层。

ViT模型的结构示意图如下所示。

ViT模型示意图

图像Token化

ViT的第一步是从输入图像创建Token。Transformer操作的是一系列Token；在NLP中，这通常是一个句子的单词。对于计算机视觉来说，如何将输入分段成Token并不太明确。

ViT将图像转换为Token，以便每个Token表示图像的一个局部区域（或补丁）。他们描述了如何将高度H、宽度W和通道数C的图像重新塑造为N个补丁大小为P的Token：

每个Token的长度为P²*C。

让我们以此像素艺术《黄昏下的山》（作者Luis Zuno）为例进行补丁Token化。原始艺术品已被裁剪并转换为单通道图像。这意味着每个像素的值在0到1之间。单通道图像通常以灰度显示，但我们将以紫色配色方案显示它，因为这样更容易看到。请注意，补丁Token化不包括在[3]相关的代码中。

mountains = np.load(os.path.join(figure_path, 'mountains.npy'))
H = mountains.shape[0]

W = mountains.shape[1]

print(‘Mountain at Dusk is H =’, H, ‘and W =’, W, ‘pixels.’)

print(‘\n’)
fig = plt.figure(figsize=(10,6))

plt.imshow(mountains, cmap=‘Purples_r’)

plt.xticks(np.arange(-0.5, W+1, 10), labels=np.arange(0, W+1, 10))

plt.yticks(np.arange(-0.5, H+1, 10), labels=np.arange(0, H+1, 10))

plt.clim([0,1])

cbar_ax = fig.add_axes([0.95, .11, 0.05, 0.77])

plt.clim([0, 1])

plt.colorbar(cax=cbar_ax);

#plt.savefig(os.path.join(figure_path, ‘mountains.png’))

Mountain at Dusk is H = 60 and W = 100 pixels.

这个图像的高度为H=60，宽度为W=100。我们将设置P=20，因为它能够均匀地整除H和W。

P = 20
N = int((H*W)/(P**2))
print('There will be', N, 'patches, each', P, 'by', str(P)+'.')
print('\n')
fig = plt.figure(figsize=(10,6))

plt.imshow(mountains, cmap=‘Purples_r’)

plt.hlines(np.arange(P, H, P)-0.5, -0.5, W-0.5, color=‘w’)

plt.vlines(np.arange(P, W, P)-0.5, -0.5, H-0.5, color=‘w’)

plt.xticks(np.arange(-0.5, W+1, 10), labels=np.arange(0, W+1, 10))

plt.yticks(np.arange(-0.5, H+1, 10), labels=np.arange(0, H+1, 10))

x_text = np.tile(np.arange(9.5, W, P), 3)

y_text = np.repeat(np.arange(9.5, H, P), 5)

for i in range(1, N+1):

plt.text(x_text[i-1], y_text[i-1], str(i), color=‘w’, fontsize=‘xx-large’, ha=‘center’)

plt.text(x_text[2], y_text[2], str(3), color=‘k’, fontsize=‘xx-large’, ha=‘center’);

#plt.savefig(os.path.join(figure_path, ‘mountain_patches.png’), bbox_inches=‘tight’

There will be 15 patches, each 20 by 20.

通过将这些补丁展平，我们可以看到生成的Token。让我们以第12个补丁为例，因为它包含了四种不同的色调。

print('Each patch will make a token of length', str(P**2)+'.')
print('\n')
patch12 = mountains[40:60, 20:40]

token12 = patch12.reshape(1, P**2)
fig = plt.figure(figsize=(10,1))

plt.imshow(token12, aspect=10, cmap=‘Purples_r’)

plt.clim([0,1])

plt.xticks(np.arange(-0.5, 401, 50), labels=np.arange(0, 401, 50))

plt.yticks();

#plt.savefig(os.path.join(figure_path, ‘mountain_token12.png’), bbox_inches=‘tight’)

Each patch will make a token of length 400.

从图像中提取Token后，通常会使用线性投影来改变Token的长度。这通过一个可学习的线性层来实现。新的Token长度被称为潜在维度、通道维度或Token长度。在投影之后，Token不再能够在视觉上被识别为原始图像的补丁。现在我们理解了这个概念，我们可以看看补丁Token化是如何在代码中实现的。

class Patch_Tokenization(nn.Module):
def __init__(self,
img_size: tuple[int, int, int]=(1, 1, 60, 100),
patch_size: int=50,
token_len: int=768):
“”" Patch Tokenization Module

Args:

img_size (tuple[int, int, int]): size of input (channels, height, width)

patch_size (int): the side length of a square patch

token_len (int): desired length of an output token

“”"

super().init()
Defining Parameters
self.img_size = img_size

C, H, W = self.img_size

self.patch_size = patch_size

self.token_len = token_len

assert H % self.patch_size == 0, ‘Height of image must be evenly divisible by patch size.’

assert W % self.patch_size == 0, ‘Width of image must be evenly divisible by patch size.’

self.num_tokens = (H / self.patch_size) * (W / self.patch_size)
Defining Layers
self.split = nn.Unfold(kernel_size=self.patch_size, stride=self.patch_size, padding=0)

self.project = nn.Linear((self.patch_size**2)*C, token_len)
def forward(self, x):

x = self.split(x).transpose(1,0)

x = self.project(x)

return x

请注意两个断言语句，确保图像的尺寸可以被补丁大小整除。实际的补丁划分是通过一个torch.nn.Unfold⁵层实现的。

我们将使用我们裁剪的单通道版本的Mountain at Dusk⁴来运行此代码的示例。我们应该看到与之前相同的Token数量和初始Token大小的值。我们将使用token_len=768作为投影长度，这是基本变体的ViT²的大小。

下面代码块中的第一行是将Mountain at Dusk⁴的数据类型从NumPy数组更改为Torch张量。我们还必须对张量进行unsqueeze⁶操作，以创建一个通道维度和一个批处理大小维度。与上面一样，我们只有一个通道。由于只有一个图像，批处理大小为1。

x = torch.from_numpy(mountains).unsqueeze(0).unsqueeze(0).to(torch.float32)
token_len = 768
print('Input dimensions are\n\tbatchsize:', x.shape[0], '\n\tnumber of input channels:', x.shape[1], '\n\timage size:', (x.shape[2], x.shape[3]))
Define the Module
patch_tokens = Patch_Tokenization(img_size=(x.shape[1], x.shape[2], x.shape[3]),

patch_size = P,

token_len = token_len)

Input dimensions are
batchsize: 1
number of input channels: 1
image size: (60, 100)

正如我们在示例中看到的那样，共有N=15个长度为400的Token。最后，我们将Token投影为token_len。

x = patch_tokens.split(x).transpose(2,1)
print('After patch tokenization, dimensions are\n\tbatchsize:', x.shape[0], '\n\tnumber of tokens:', x.shape[1], '\n\ttoken length:', x.shape[2])

After patch tokenization, dimensions are
batchsize: 1
number of tokens: 15
token length: 400

现在我们有了Token，我们准备继续进行ViT。

Token Processing

我们将把ViT的下两个步骤，即编码块之前的步骤，称为“Token处理”。ViT图中的Token处理组件如下所示。

第一步是在图像Token之前添加一个空白Token，称为Prediction Token。此Token将用于输出编码块以进行预测。它最初是空白的 —— 等效于零 —— 这样它就可以从其他图像Token中获取信息。

# Define an Input
num_tokens = 175
token_len = 768
batch = 13
x = torch.rand(batch, num_tokens, token_len)
print('Input dimensions are\n\tbatchsize:', x.shape[0], '\n\tnumber of tokens:', x.shape[1], '\n\ttoken length:', x.shape[2])
Append a Prediction Token
pred_token = torch.zeros(1, 1, token_len).expand(batch, -1, -1)

print(‘Prediction Token dimensions are\n\tbatchsize:’, pred_token.shape[0], ‘\n\tnumber of tokens:’, pred_token.shape[1], ‘\n\ttoken length:’, pred_token.shape[2])
x = torch.cat((pred_token, x), dim=1)

print(‘Dimensions with Prediction Token are\n\tbatchsize:’, x.shape[0], ‘\n\tnumber of tokens:’, x.shape[1], ‘\n\ttoken length:’, x.shape[2])

Input dimensions are
batchsize: 13
number of tokens: 175
token length: 768
Prediction Token dimensions are
batchsize: 13
number of tokens: 1
token length: 768
Dimensions with Prediction Token are
batchsize: 13
number of tokens: 176
token length: 768

我们将从175个Token开始。每个Token的长度为768，这是ViT²基本变体的大小。我们使用批处理大小为13，因为它是素数，并且不会与任何其他参数混淆。

def get_sinusoid_encoding(num_tokens, token_len):
""" Make Sinusoid Encoding Table
Args:

num_tokens (int): number of tokens

token_len (int): length of a token
Returns:

(torch.FloatTensor) sinusoidal position encoding table

“”"
def get_position_angle_vec(i):

return [i / np.power(10000, 2 * (j // 2) / token_len) for j in range(token_len)]
sinusoid_table = np.array([get_position_angle_vec(i) for i in range(num_tokens)])

sinusoid_table[:, 0::2] = np.sin(sinusoid_table[:, 0::2])

sinusoid_table[:, 1::2] = np.cos(sinusoid_table[:, 1::2])
return torch.FloatTensor(sinusoid_table).unsqueeze(0)
PE = get_sinusoid_encoding(num_tokens+1, token_len)

print(‘Position embedding dimensions are\n\tnumber of tokens:’, PE.shape[1], ‘\n\ttoken length:’, PE.shape[2])
x = x + PE

print(‘Dimensions with Position Embedding are\n\tbatchsize:’, x.shape[0], ‘\n\tnumber of tokens:’, x.shape[1], ‘\n\ttoken length:’, x.shape[2])

Position embedding dimensions are
number of tokens: 176
token length: 768
Dimensions with Position Embedding are
batchsize: 13
number of tokens: 176
token length: 768

现在，我们为我们的Token添加了一个位置嵌入。位置嵌入允许Transformer理解图像token的顺序。请注意，这是一个增加，而不是一个连接。位置嵌入的具体细节是一个值得讨论的话题，最好留到以后再说。

def get_sinusoid_encoding(num_tokens, token_len):
""" Make Sinusoid Encoding Table
Args:

num_tokens (int): number of tokens

token_len (int): length of a token
Returns:

(torch.FloatTensor) sinusoidal position encoding table

“”"
def get_position_angle_vec(i):

return [i / np.power(10000, 2 * (j // 2) / token_len) for j in range(token_len)]
sinusoid_table = np.array([get_position_angle_vec(i) for i in range(num_tokens)])

sinusoid_table[:, 0::2] = np.sin(sinusoid_table[:, 0::2])

sinusoid_table[:, 1::2] = np.cos(sinusoid_table[:, 1::2])
return torch.FloatTensor(sinusoid_table).unsqueeze(0)
PE = get_sinusoid_encoding(num_tokens+1, token_len)

print(‘Position embedding dimensions are\n\tnumber of tokens:’, PE.shape[1], ‘\n\ttoken length:’, PE.shape[2])
x = x + PE

print(‘Dimensions with Position Embedding are\n\tbatchsize:’, x.shape[0], ‘\n\tnumber of tokens:’, x.shape[1], ‘\n\ttoken length:’, x.shape[2])

Position embedding dimensions are
number of tokens: 176
token length: 768
Dimensions with Position Embedding are
batchsize: 13
number of tokens: 176
token length: 768

现在，我们的Token已经准备好进入编码块。

编码块

编码块是模型实际从图像标记中学习的地方。编码块的数量是用户设置的超参数。编码块的图表如下。

编码块的代码如下。

class Encoding(nn.Module):    def __init__(self,       dim: int,       num_heads: int=1,       hidden_chan_mul: float=4.,       qkv_bias: bool=False,       qk_scale: NoneFloat=None,       act_layer=nn.GELU,        norm_layer=nn.LayerNorm):                """ Encoding Block            Args:                dim (int): size of a single token                num_heads(int): number of attention heads in MSA                hidden_chan_mul (float): multiplier to determine the number of hidden channels (features) in the NeuralNet component                qkv_bias (bool): determines if the qkv layer learns an addative bias                qk_scale (NoneFloat): value to scale the queries and keys by;                                     if None, queries and keys are scaled by ``head_dim ** -0.5``                act_layer(nn.modules.activation): torch neural network layer class to use as activation                norm_layer(nn.modules.normalization): torch neural network layer class to use as normalization        """        super().__init__()        ## Define Layers        self.norm1 = norm_layer(dim)        self.attn = Attention(dim=dim,                            chan=dim,                            num_heads=num_heads,                            qkv_bias=qkv_bias,                            qk_scale=qk_scale)        self.norm2 = norm_layer(dim)        self.neuralnet = NeuralNet(in_chan=dim,                                hidden_chan=int(dim*hidden_chan_mul),                                out_chan=dim,                                act_layer=act_layer)    def forward(self, x):        x = x + self.attn(self.norm1(x))        x = x + self.neuralnet(self.norm2(x))        return x

num_heads 、qkv_bias和qk_scale参数定义了注意力模块组件。关于视觉转换器的注意力的深入研究留待下次再讨论。

hidden_ chan_mul和act_layer参数定义神经网络模块组件。激活层可以是任意⁷层。我们稍后torch.nn.modules.activation会详细介绍神经网络模块。

可以从任意⁸层中选择norm_layer torch.nn.modules.normalization。

现在，我们将逐步介绍图中的每个蓝色块及其附带的代码。我们将使用长度为 768 的 176 个标记。我们将使用批处理大小 13，因为它是素数，不会与任何其他参数混淆。我们将使用 4 个注意力头，因为它可以均匀划分标记长度；但是，您不会在编码块中看到注意力头维度。

# Define an Inputnum_tokens = 176token_len = 768batch = 13heads = 4x = torch.rand(batch, num_tokens, token_len)print('Input dimensions are\n\tbatchsize:', x.shape[0], '\n\tnumber of tokens:', x.shape[1], '\n\ttoken length:', x.shape[2])# Define the ModuleE = Encoding(dim=token_len, num_heads=heads, hidden_chan_mul=1.5, qkv_bias=False, qk_scale=None, act_layer=nn.GELU, norm_layer=nn.LayerNorm)E.eval();

Input dimensions are   batchsize: 13    number of tokens: 176    token length: 768

现在，我们将通过一个规范层和一个注意力模块。编码块中的注意力模块是参数化的，因此它不会改变标记长度。在注意力模块之后，我们实现了第一个拆分连接。

y = E.norm1(x)print('After norm, dimensions are\n\tbatchsize:', y.shape[0], '\n\tnumber of tokens:', y.shape[1], '\n\ttoken size:', y.shape[2])y = E.attn(y)print('After attention, dimensions are\n\tbatchsize:', y.shape[0], '\n\tnumber of tokens:', y.shape[1], '\n\ttoken size:', y.shape[2])y = y + xprint('After split connection, dimensions are\n\tbatchsize:', y.shape[0], '\n\tnumber of tokens:', y.shape[1], '\n\ttoken size:', y.shape[2])

After norm, dimensions are   batchsize: 13    number of tokens: 176    token size: 768After attention, dimensions are   batchsize: 13    number of tokens: 176    token size: 768After split connection, dimensions are   batchsize: 13    number of tokens: 176    token size: 768

现在，我们经过另一个规范层，然后是神经网络模块。最后是第二个拆分连接。

z = E.norm2(y)
print('After norm, dimensions are\n\tbatchsize:', z.shape[0], '\n\tnumber of tokens:', z.shape[1], '\n\ttoken size:', z.shape[2])
z = E.neuralnet(z)
print('After neural net, dimensions are\n\tbatchsize:', z.shape[0], '\n\tnumber of tokens:', z.shape[1], '\n\ttoken size:', z.shape[2])
z = z + y
print('After split connection, dimensions are\n\tbatchsize:', z.shape[0], '\n\tnumber of tokens:', z.shape[1], '\n\ttoken size:', z.shape[2])

After norm, dimensions are
batchsize: 13
number of tokens: 176
token size: 768
After neural net, dimensions are
batchsize: 13
number of tokens: 176
token size: 768
After split connection, dimensions are
batchsize: 13
number of tokens: 176
token size: 768

这就是单个编码块的全部内容！由于最终维度与初始维度相同，模型可以轻松地通过多个编码块传递Token，由深度超参数设置。

神经网络模块

神经网络（NN）模块是编码块的子组件。NN模块非常简单，由一个全连接层、一个激活层和另一个全连接层组成。激活层可以是任何torch.nn.modules.activation⁷层，作为模块的输入传递。NN模块可以配置为改变输入的形状，或者保持相同的形状。我们不会逐步介绍这个代码，因为神经网络在机器学习中很常见，而且不是本文的重点。然而，下面给出了NN模块的代码。

class NeuralNet(nn.Module):
def __init__(self,
in_chan: int,
hidden_chan: NoneFloat=None,
out_chan: NoneFloat=None,
act_layer = nn.GELU):
""" Neural Network Module
Args:

in_chan (int): number of channels (features) at input

hidden_chan (NoneFloat): number of channels (features) in the hidden layer;

if None, number of channels in hidden layer is the same as the number of input channels

out_chan (NoneFloat): number of channels (features) at output;

if None, number of output channels is same as the number of input channels

act_layer(nn.modules.activation): torch neural network layer class to use as activation

“”"
super().init()
Define Number of Channels
hidden_chan = hidden_chan or in_chan

预测处理

通过编码块后，模型必须做的最后一件事是进行预测。ViT图中的“预测处理”组件如下所示。

我们将查看该过程的每个步骤。我们将继续使用长度为768的176个Token。我们将使用批量大小为1来说明如何进行单个预测。批量大小大于1将会并行计算此预测。

# Define an Input
num_tokens = 176
token_len = 768
batch = 1
x = torch.rand(batch, num_tokens, token_len)
print('Input dimensions are\n\tbatchsize:', x.shape[0], '\n\tnumber of tokens:', x.shape[1], '\n\ttoken length:', x.shape[2])

Input dimensions are
batchsize: 1
number of tokens: 176
token length: 768

首先，所有Token都通过一个norm层。

norm = nn.LayerNorm(token_len)
x = norm(x)
print('After norm, dimensions are\n\tbatchsize:', x.shape[0], '\n\tnumber of tokens:', x.shape[1], '\n\ttoken size:', x.shape[2])

接下来，我们从其余Token中分离出预测Token。在编码块中，预测Token已经变得非零，并获取了关于我们输入图像的信息。我们将仅使用此预测Token来进行最终预测。

norm = nn.LayerNorm(token_len)
pred_token = x[:, 0]

print(‘Length of prediction token:’, pred_token.shape[-1])

Length of prediction token: 768

最后，将预测Token传递到头部以进行预测。头部通常是某种类型的神经网络，根据模型的不同而变化。在An Image is Worth 16x16 Words²中，他们在预训练期间使用具有一个隐藏层的MLP（多层感知器），在微调期间使用单个线性层。在Tokens-to-Token ViT³中，他们使用单个线性层作为头部。此示例将使用输出形状为1，以表示单个估计回归值。

head = nn.Linear(token_len, 1)
pred = head(pred_token)
print('Length of prediction:', (pred.shape[0], pred.shape[1]))
print('Prediction:', float(pred))

Length of prediction: (1, 1)
Prediction: -0.5474240779876709

这就是全部内容！模型已经进行了预测！

完整代码

为了创建完整的ViT模块，我们使用上面定义的Patch Tokenization模块和ViT Backbone模块。ViT Backbone如下所定义，包含了Token处理、编码块和预测处理组件。

class ViT_Backbone(nn.Module):
def __init__(self,
preds: int=1,
token_len: int=768,
num_heads: int=1,
Encoding_hidden_chan_mul: float=4.,
depth: int=12,
qkv_bias=False,
qk_scale=None,
act_layer=nn.GELU,
norm_layer=nn.LayerNorm):
“”" VisTransformer Backbone

Args:

preds (int): number of predictions to output

token_len (int): length of a token

num_heads(int): number of attention heads in MSA

Encoding_hidden_chan_mul (float): multiplier to determine the number of hidden channels (features) in the NeuralNet component of the Encoding Module

depth (int): number of encoding blocks in the model

qkv_bias (bool): determines if the qkv layer learns an addative bias

qk_scale (NoneFloat): value to scale the queries and keys by;

if None, queries and keys are scaled by head_dim ** -0.5

act_layer(nn.modules.activation): torch neural network layer class to use as activation

norm_layer(nn.modules.normalization): torch neural network layer class to use as normalization

“”"
super().init()
Defining Parameters
self.num_heads = num_heads

self.Encoding_hidden_chan_mul = Encoding_hidden_chan_mul

self.depth = depth
Defining Token Processing Components
self.cls_token = nn.Parameter(torch.zeros(1, 1, self.token_len))

self.pos_embed = nn.Parameter(data=get_sinusoid_encoding(num_tokens=self.num_tokens+1, token_len=self.token_len), requires_grad=False)
Defining Encoding blocks
self.blocks = nn.ModuleList([Encoding(dim = self.token_len,

num_heads = self.num_heads,

hidden_chan_mul = self.Encoding_hidden_chan_mul,

qkv_bias = qkv_bias,

qk_scale = qk_scale,

act_layer = act_layer,

norm_layer = norm_layer)

for i in range(self.depth)])
Defining Prediction Processing
self.norm = norm_layer(self.token_len)

self.head = nn.Linear(self.token_len, preds)
Make the class token sampled from a truncated normal distrobution
timm.layers.trunc_normal_(self.cls_token, std=.02)
def forward(self, x):
Assumes x is already tokenized
Get Batch Size
B = x.shape[0]
Concatenate Class Token
x = torch.cat((self.cls_token.expand(B, -1, -1), x), dim=1)
Add Positional Embedding
x = x + self.pos_embed
Run Through Encoding Blocks
for blk in self.blocks:

x = blk(x)
Take Norm
x = self.norm(x)
Make Prediction on Class Token
x = self.head(x[:, 0])

return x

通过ViT Backbone模块，我们可以定义完整的ViT模型。


class ViT_Model(nn.Module):
def __init__(self,
img_size: tuple[int, int, int]=(1, 400, 100),
patch_size: int=50,
token_len: int=768,
preds: int=1,
num_heads: int=1,
Encoding_hidden_chan_mul: float=4.,
depth: int=12,
qkv_bias=False,
qk_scale=None,
act_layer=nn.GELU,
norm_layer=nn.LayerNorm):
“”" VisTransformer Model
Args:

img_size (tuple[int, int, int]): size of input (channels, height, width)

patch_size (int): the side length of a square patch

token_len (int): desired length of an output token

preds (int): number of predictions to output

num_heads(int): number of attention heads in MSA

Encoding_hidden_chan_mul (float): multiplier to determine the number of hidden channels (features) in the NeuralNet component of the Encoding Module

depth (int): number of encoding blocks in the model

qkv_bias (bool): determines if the qkv layer learns an addative bias

qk_scale (NoneFloat): value to scale the queries and keys by;

if None, queries and keys are scaled by head_dim ** -0.5

act_layer(nn.modules.activation): torch neural network layer class to use as activation

norm_layer(nn.modules.normalization): torch neural network layer class to use as normalization

“”"

super().init()
Defining Parameters
self.img_size = img_size

C, H, W = self.img_size

self.patch_size = patch_size

self.token_len = token_len

self.num_heads = num_heads

self.Encoding_hidden_chan_mul = Encoding_hidden_chan_mul

self.depth = depth
Defining Patch Embedding Module
self.patch_tokens = Patch_Tokenization(img_size,

patch_size,

token_len)
Defining ViT Backbone
self.backbone = ViT_Backbone(preds,

self.token_len,

self.num_heads,

self.Encoding_hidden_chan_mul,

self.depth,

qkv_bias,

qk_scale,

act_layer,

norm_layer)
Initialize the Weights
self.apply(self._init_weights)
def _init_weights(self, m):

“”" Initialize the weights of the linear layers & the layernorms

“”"
For Linear Layers
if isinstance(m, nn.Linear):
Weights are initialized from a truncated normal distrobution
timm.layers.trunc_normal_(m.weight, std=.02)

if isinstance(m, nn.Linear) and m.bias is not None:
If bias is present, bias is initialized at zero
nn.init.constant_(m.bias, 0)
For Layernorm Layers
elif isinstance(m, nn.LayerNorm):
Weights are initialized at one
nn.init.constant_(m.weight, 1.0)
Bias is initialized at zero
nn.init.constant_(m.bias, 0)
@torch.jit.ignore ##Tell pytorch to not compile as TorchScript

def no_weight_decay(self):

“”" Used in Optimizer to ignore weight decay in the class token

“”"

return {‘cls_token’}
def forward(self, x):

x = self.patch_tokens(x)

x = self.backbone(x)

return x

在ViT模型中，img_size、patch_size和token_len定义了Patch Tokenization模块。它们分别表示输入图像的大小、切分成的Patch的大小，以及由此生成的token序列的长度。正是通过这个模块，ViT将图像转化为模型能够处理的token序列。num_heads决定了多头注意力机制中“头”的数量；Encoding_hidden_channel_mul用于调整编码块的隐藏层通道数；qkv_bias和qk_scale则分别控制查询、键和值向量的偏置和缩放；而act_layer则代表激活函数层，我们可以选择任何torch.nn.modules.activation中的激活函数。此外，depth参数决定了模型中包含多少个这样的编码块。

norm_layer参数设置了编码块模块内外的norm。可以从任何torch.nn.modules.normalization⁸层中选择。

_init_weights方法来自于T2T-ViT³代码。此方法可以删除以随机初始化所有学习的权重和偏差。如实施的，线性层的权重被初始化为截断的正态分布；线性层的偏差被初始化为零；归一化层的权重被初始化为一；归一化层的偏差被初始化为零。

结论

现在，我们可以全面了解ViT模型的工作原理并进行训练！

编辑：于腾凯

校对：梁锦程

关于我们

数据派THU作为数据科学类公众号，背靠清华大学大数据研究中心，分享前沿数据科学与大数据技术创新研究动态、持续传播数据科学知识，努力建设数据人才聚集平台、打造中国大数据最强集团军。

新浪微博：@数据派THU

微信视频号：数据派THU

今日头条：数据派THU

Zenith52p · 2024 年12 月 4 日 14:13

ViT在需要处理复杂图像结构和长距离依赖的任务中表现尤为出色，比如图像生成、图像分割等。当任务中需要综合多个区域特征信息时，ViT将显得更加高效。

Ion31q · 2024 年12 月 6 日 23:07

我认为，ViT在处理大规模的数据集时表现更好。因为ViT在预训练之后，能够处理更复杂的特征，尤其是在一些需要大规模图像标注的场景中，比如自动驾驶。

SummerSun956 · 2024 年12 月 4 日 18:00

如果你要做图像分类，可能CNN已经能满足要求。但如果是图像理解或者需要更大上下文考虑的任务，ViT就十分合适了！

OnyxHorse674 · 2024 年12 月 7 日 22:18

ViT与传统卷积神经网络的主要区别在于其使用了自注意力机制，而卷积网络则主要依赖卷积操作。ViT通过将图像分成固定大小的patches并将其转换为tokens，使得模型在学习图像特征时能更灵活。

Celeste49f · 2024 年12 月 5 日 22:26

我的理解是，ViT的优势在于它可以处理长距离依赖关系。传统卷积网络主要依赖局部特征提取，可能会错失更广泛的上下文信息。ViT通过自注意力机制，能够更好地捕捉全局信息。

Rift205c · 2024 年12 月 6 日 20:59

不如说ViT是用视觉的方式来处理图像，而CNN是传统的图像处理方式。如果说CNN是机器的双眼，ViT是机器的脑！

RedFox202 · 2024 年12 月 3 日 15:31

可以通过对比在不同数据集上的表现来评估ViT的性能优化，特别是和CNN等传统模型的对比。同时，还可以通过调节模型的超参数，例如编码块的深度来进行性能测试。

Shadow53r · 2024 年12 月 1 日 16:33

我觉得可以通过精度、召回率等指标来量化评估。此外，训练时间和资源消耗也是值得考虑的性能优化指标，尤其是在工业应用中。

StarryUnicorn587 · 2024 年12 月 4 日 03:40

其实，最简单的方法是跑几个实验，不同的超参数组合下看看表现如何。记得记录下来！