ViT:AN IMAGE IS WORTH 16X16 WORDS: TRANSFORMERS FOR IMAGE RECOGNITION AT SCALE——ICLR,2021

Pytroch代码来源：https://github.com/lucidrains/vit-pytorch

一、背景介绍

目前在NLP领域，transformer已经占据主导地位。不少学者尝试将attention和CNN相结合，这些方法往往依赖于CNN，其性能相较于常见的卷积网络如ResNet等还是有差别。但是使用VIT能够解决许多CNN不能解决的问题。

在NLP领域，使用transformer时，当不断增加模型大小和数据集数量，模型性能没有出现饱和趋势。同样的在CV领域，当数据量较小时，使用transformer有时并不比常见卷积性能好。但当数据集数量不断变大，transformer性能不断提高，甚至超过常见卷积模型。

二、方法介绍

本片论文介绍的方法主要是用来进行分类的。输入一张图片，输出特征。作者在结论中也说到，本文方法的一个挑战是如何把ViT应用到检测和分割等视觉任务上。作者的动机是尽可能减少Transformer原始结构的改变。ViT的输入是将图像块通过线性映射从2d图像块变成1d序列。作者在介绍中说到，ViT在中小规模数据集上的表现性能有时还不如卷积网络，但当使用大规模数据集时，性能就会超过卷积网络。

因为论文内容写的比较简单，而本篇博客主要是为了熟悉并学习如何使用ViT，故需要结合相关代码（代码为网上找的Pytroch版本，不是作者提供的源码，仅供参考）。

首先，本文结构如果熟悉Transformer的话是比较容易理解的。基本流程为先将图像大小为x∈RH×W×Cx\\in R^{H\\times W \\times C}x∈RH×W×C裁剪成相同大小没有重叠部分的patch块，xp∈R(N×(P2⋅C))x_p\\in R^{(N \\times (P^2 \\cdot C))}xp​∈R(N×(P2⋅C))，其中HW=NP2HW=NP^2HW=NP2，$(P,P)$为裁剪出的patch大小。然后将patch块通过线性映射变成xpatch∈RDx_{patch}\\in R^Dxpatch​∈RD。

这里的线性映射的代码如下，其中关于einops库中的rearrange相关介绍可以参考einops.rearrange：

from einops.layers.torch import Rearrangeself.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.LayerNorm(patch_dim),nn.Linear(patch_dim, dim),nn.LayerNorm(dim), # dim=D)

接着和BERT做法一样添加[class] token xclassx_{class}xclass​， xclassx_{class}xclass​就不需要通过线性映射层了，这是一个可学习参数，Pytroch中直接令self.cls_token = nn.Parameter(torch.randn(1, 1, dim))，其中$dim=D$。

这里的xclassx_{class}xclass​通过Transformer encoder之后得到$y$就是最终的输出结果。

Transformer中用到了位置编码，这里作者使用了1D位置编码，因为作者通过实验发现使用2D位置编码，效果并未得到较大的提升。这里就比较有意思了，论文中作者说这个位置信息是学出来的，而不是一开始就给定的（像1，2，3，。。。这样的位置编码）。为啥要加位置编码呢？李沐在B站上这样解释：因为图片是有位置信息的，如果Patch块位置互换就不是原来的图片了，这都不是原来图片了，训练还有啥意思。

self.pos_embedding = nn.Parameter(torch.randn(1, num_patches + 1, dim)) # 这里的位置编码采用的是可学习编码

接下来便是Transformer Encoder的结构，包含multiheaded self-attention（MSA）和MLP blocks。每一层中都添加了Layernorm（LN）层，并采用了residual connection。Transformer Encoder中的每一个block输入序列为197x768，输出还是197x768，就是输入输出维度一样（假设输入图片大小为224x224，patch大小为16x16，则有14x14=196个patch，通过线性映射得到196个序列长度，加上class token和位置编码便变成了197个序列长度，dim=D=768=16x16x3，这里的3是通道数）。代码如下：

import torch
from torch import nnfrom einops import rearrange, repeat
from einops.layers.torch import Rearrange# helpersdef pair(t):return t if isinstance(t, tuple) else (t, t)# classesclass PreNorm(nn.Module):def __init__(self, dim, fn):super().__init__()self.norm = nn.LayerNorm(dim)self.fn = fndef 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 *  headsproject_out = not (heads == 1 and dim_head == dim)self.heads = headsself.scale = dim_head ** -0.5self.attend = nn.Softmax(dim = -1)self.dropout = nn.Dropout(dropout)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.scaleattn = self.attend(dots)attn = self.dropout(attn)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) + xx = ff(x) + xreturn x

接下来便是ViT的整体实现了。可以看到，这个类的输入的batch里面均为整张图片。因为做的是分类任务，不能直接把Transformer block的输出作为最终结果，需要添加一个线性分类头。而Transformer block输出的序列个数是很多的，作者这里借鉴了NLP领域的做法，直接使用class token的输出作为预测结果（代码中还有另一种做法就是使用均值）。为啥能够这样做呢？是因为通过Attention，各个特征之间能够较好的交互。

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_widthassert 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.LayerNorm(patch_dim),nn.Linear(patch_dim, dim),nn.LayerNorm(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 = poolself.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.shapecls_tokens = repeat(self.cls_token, '1 1 d -> b 1 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] # 这里代码实现又两个选择，一个是取所有patch块提取特征的均值，另一个是和论文中的一样取[class] tokenx = self.to_latent(x)return self.mlp_head(x)

论文中给出的计算公式如下，其中zL0z_L^0zL0​：表示的是xclassx_{class}xclass​通过多层Transformer输出的特征。

作者在这里还提出了一种混合框架（Hybrid Architecture），即输入的不是图像而是通过CNN提取的图像特征。

如果想要使用ViT作为特征提取器，可以把最后一层的mlp_head去掉，添加下游任务的头。通过预训练等方式进行微调即可。

微调： 不同尺寸图片进行微调的话，因为位置编码是提前预训练好的，尺寸固定住了，作者的一个解决方式是使用插值。

三、实验结果

1.使用class token做分类和GAP之间的区别

通过实验作者发现，都可以。这图泪目了，调参很重要。

2.不同的位置编码

3.对比实验

4.特征可视化