VIT(vision transformer)模型介绍+pytorch代码炸裂解析

AI蜗牛车

3299人浏览 · 2022-01-10 23:45:46

AI蜗牛车 · 2022-01-10 23:45:46 发布

前言

一直对transformer都有很大的兴趣，之前看到有vision transformer，一直没来得及好好看，这两天拿出来吸收了下精华，顺便写个文章记录一哈

地址

论文：https://arxiv.org/pdf/2010.11929.pdf

代码：https://github.com/lucidrains/vit-pytorch/blob/main/vit_pytorch/vit.py

讲解视频：https://www.bilibili.com/video/BV1U3411e7Bq?spm_id_from=333.999.0.0

因为实在写解读有点费事，直接录了个视频，简单解读在文章中

模型VIT解读

这个论文的好处就是可以直接看这个overview的图，我读的时候可能都没看后面文章，直接看图就懂了，不得不说很清晰了。

直接说明一下。

把一个图进行patch的操作切割，得到很多个patch图块，之后每个图块，根据从上到下，从左到右的顺序进行输入，这个看图非常清晰，之后对每个patch进行flatten拉平（这里相当于把每个图片patch转换为了一维向量，比较匹配NLP的输入性质了，即CV->NLP），之后过一个全连接层，得到每个patch对应的token，之后再加上position的编码送到transformer中，这里其实只用了encoder部分，因为主要做分类任务，每个token在transformer中都是两两互相做attention的，那最终输出哪个呢?所以引入了一个cls token和其他的token做attention，相当于或取了其他的token的信息，直接用它作为输出即可。

这里如果看不懂我建议直接看代码，秒懂。

源码解读

复习下transformer的encoder部分

其中multihead-attention：

其中的self-attention：

这个multihead attention的代码因为用了几个我个人感觉很不错的写法变得很简洁

使用了einops，可以直接从代码看出来维度变化
算qkv的时候直接用的三倍的linear，之后chunk一下，这样节省几行代码
加入了Identity，让整体网络更标准化
在multi head的处理中，这里需要注意具体是怎么操作的，我发现网上很多这块都是错的，这块具体的操作是把qkv的维度按照head的个数进行等分，最后算为attention的值再进行concat在一起，这个代码用einops中的rearrange直接简洁一起操作了

但是这个实现和torch官方的实现还是有一定的小区别的，我们看下源码的attention部分

看上面那个部分，要求embed_dim可以被head整除，这样才能几个head同时工作，主要的原因在于官方里的head_dim是直接这么算出来的，而并非定义的，而这个vision transformer中的代码是自定义的反推。

残差的两个部分 transformer中都是先加上之前的输入x再进行layerNorm

x = layerNorm(x + attention(x))

x = layerNorm(x + feedforward(x)) 但这个论文里稍显不同

相当于第一步layernorm再干别的，并且代码中把这种操作直接定义成一个类。

其中的kwargs的解释可以看这个：https://www.jianshu.com/p/0ed914608a2c

feedforward的是两个全连接中间夹个激活函数，可以是RELU或者GELU，加入了dropout，这块代码一看就懂

加一起就是transformer的encoder部分，这篇文章主要用到的是encoder部分

而整体的VIT还需要变换patch，以及patch embedding，以及加入cls_token和position信息，之后transformer输出的位置还有个MLP的变换

整体的VIT class代码如上。

“
感兴趣的看我40分钟的代码详细解读：https://www.bilibili.com/video/BV1U3411e7Bq?spm_id_from=333.999.0.0
”

所有代码如下：

import torch
from torch import nn

from einops import rearrange, repeat
from einops.layers.torch import Rearrange

# helpers

def pair(t):
    return t if isinstance(t, tuple) else (t, t)

# classes

class PreNorm(nn.Module):
    def __init__(self, dim, fn):
        super().__init__()
        self.norm = nn.LayerNorm(dim)
        self.fn = fn
    def forward(self, x, **kwargs):
        return self.fn(self.norm(x), **kwargs)

class FeedForward(nn.Module):
    def __init__(self, dim, hidden_dim, dropout = 0.):
        super().__init__()
        self.net = nn.Sequential(
            nn.Linear(dim, hidden_dim),
            nn.GELU(),
            nn.Dropout(dropout),
            nn.Linear(hidden_dim, dim),
            nn.Dropout(dropout)
        )
    def forward(self, x):
        return self.net(x)

class Attention(nn.Module):
    def __init__(self, dim, heads = 8, dim_head = 64, dropout = 0.):
        super().__init__()
        inner_dim = dim_head *  heads
        project_out = not (heads == 1 and dim_head == dim)

        self.heads = heads
        self.scale = dim_head ** -0.5

        self.attend = nn.Softmax(dim = -1)
        self.to_qkv = nn.Linear(dim, inner_dim * 3, bias = False)

        self.to_out = nn.Sequential(
            nn.Linear(inner_dim, dim),
            nn.Dropout(dropout)
        ) if project_out else nn.Identity()

    def forward(self, x):
        qkv = self.to_qkv(x).chunk(3, dim = -1)
        q, k, v = map(lambda t: rearrange(t, 'b n (h d) -> b h n d', h = self.heads), qkv)

        dots = torch.matmul(q, k.transpose(-1, -2)) * self.scale

        attn = self.attend(dots)

        out = torch.matmul(attn, v)
        out = rearrange(out, 'b h n d -> b n (h d)')
        return self.to_out(out)

class Transformer(nn.Module):
    def __init__(self, dim, depth, heads, dim_head, mlp_dim, dropout = 0.):
        super().__init__()
        self.layers = nn.ModuleList([])
        for _ in range(depth):
            self.layers.append(nn.ModuleList([
                PreNorm(dim, Attention(dim, heads = heads, dim_head = dim_head, dropout = dropout)),
                PreNorm(dim, FeedForward(dim, mlp_dim, dropout = dropout))
            ]))
    def forward(self, x):
        for attn, ff in self.layers:
            x = attn(x) + x
            x = ff(x) + x
        return x

class ViT(nn.Module):
    def __init__(self, *, image_size, patch_size, num_classes, dim, depth, heads, mlp_dim, pool = 'cls', channels = 3, dim_head = 64, dropout = 0., emb_dropout = 0.):
        super().__init__()
        image_height, image_width = pair(image_size)
        patch_height, patch_width = pair(patch_size)

        assert image_height % patch_height == 0 and image_width % patch_width == 0, 'Image dimensions must be divisible by the patch size.'

        num_patches = (image_height // patch_height) * (image_width // patch_width)
        patch_dim = channels * patch_height * patch_width
        assert pool in {'cls', 'mean'}, 'pool type must be either cls (cls token) or mean (mean pooling)'

        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),
        )

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

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

        self.pool = pool
        self.to_latent = nn.Identity()

        self.mlp_head = nn.Sequential(
            nn.LayerNorm(dim),
            nn.Linear(dim, num_classes)
        )

    def forward(self, img):
        x = self.to_patch_embedding(img)
        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)

        x = x.mean(dim = 1) if self.pool == 'mean' else x[:, 0]

        x = self.to_latent(x)
        return self.mlp_head(x)