Vision Transformer

Vision Transformer模型详解

模型由三个模块组成

Linear Projection of Flattened Patches(Embeddind层)

Transformer Encoder(编码层)

MLP Head(最终用于分类的层结构)

Embedding层结构详解

对于标准的Transformer模块，要求输入的是token(向量)序列，即二维矩阵[num_token, token_dim]，如下图，token0-9对应的都是向量，以ViT-B/16为例，每个token向量长度为768.

对于图像数据而言，其数据格式为[H,W,C]是三维矩阵明显不是Transformer想要的。所以需要先通过一个Embedding层来对数据做个变换。如下图所示，首先将一个图片按给定大小分成一堆Patches。以ViT-B/16为例，将输入图片(224*224)按照16*16大小的patch进行划分，划分后会得到（224/16）^2=196个patches。接着通过线性映射将每个Patch映射到一维向量中，以ViT-B/16为例，每个Patches数据shape为[16,16,3]通过映射得到一个长度为768的向量(后面都直接称为Token)。[16,16,3]->[768]

在代码实现中，直接通过一个卷积层来实现。以ViT-B/16为例，直接使用一个卷积核大小为16*16，步距为16，卷积核个数为768的卷积实现。通过卷积[224,224,3]->[14,14,768]，然后把H以及W两个维度展平即可[14,14,768]->[196,768]，此时正好变成一个二维矩阵，正是Transformer想要的。

在输入Transformer Encoder之前注意需要加上[class]token以及Position Embedding。在原论文中，作者说参考BERT，在刚刚得到的一堆tokens中插入一个专门用于分类的[class]token，这个[class]token是一个可训练的参数，数据格式和其他token一样都是一个向量，以ViT-B/16为例，就是一个长度为768的向量，与之前从图片中生成的tokens拼接在一起，Cat([1,768],[196,768])->[197,768]。然后关于Position Embedding就是之前Transformer中讲到的Positional Encoding，这里的Position Embedding采用的是一个可训练的参数1D Pos. Emb.，是直接叠加在tokens上的(add)，所以shape要一样。以ViT-B/16为例，刚刚拼接[class]token后shape是[197,768],那么这里的Position Embedding的shape也是[197,768]。

对于Position Embedding作者也有一系列对比实验，在源码中默认使用的是1D Pos. Emb.,对比不使用Position Embedding准确率提升了大概3个点，和2D Pos. Emb.比起来没太大差别。

Transformer Encoder详解

其实就是重复堆叠Encoder Block L次，主要由以下几部分组成：

Layer Norm，这种Normalization方法主要针对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。

Multi-Head Attention

Dropout/DropPath，在原论文的代码是直接使用的Dropout层

MLP Block，如图右侧，就是全连接+GELU激活函数+Dropout组成，需要注意的是第一个全连接层会把输入节点的个数翻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]

MLP Head详解

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，后面画由ViT模型的详细结构。这里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或者自己的数据集上时，只用一个Linear即可。

ViT Transformer网络结构

Hybrid模型详解

将传统CNN特征提取和Transformer进行结合。下面绘制的是以ResNet50作为特征提取器的混合模型，但这里的Resnet与之前的Resnet不同。首先这里的R50的卷积采用的StdConv2d不是传统的Conv2d,然后将所有的BatchNorm层换成了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层中，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。后面的部分和前面的ViT中讲的完全一样。

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。

ViT模型的搭建参数

在论文Table1中给出是哪个模型（base/large/huge）的参数，在源码中除了有Patch Size为16*16的还有32*32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。