【计算机视觉】Visual Transformer （ViT）模型结构以及原理解析

╰半夏微凉° 2023-09-27 18:26 199阅读 0赞

#### 文章目录 ####

*  一、简介
 *  二、Vision Transformer如何工作
 *  三、ViT模型架构
 *  四、ViT工作原理解析
 *   *  4.1 步骤1：将图片转换成patches序列
     *  4.2 步骤2：将patches铺平
     *  4.3 步骤3：添加Position embedding
     *  4.4 步骤4：添加class token
     *  4.5 步骤5：输入Transformer Encoder
     *  4.6 步骤6：分类
 *  五、总结

## 一、简介 ##

Visual Transformer (ViT) 出自于论文《AN IMAGE IS WORTH 16X16 WORDS: TRANSFORMERS FOR IMAGE RECOGNITION AT SCALE》，是基于Transformer的模型在视觉领域的开篇之作。

![在这里插入图片描述][b49c1141ed4c42c189ce73ed08116dbe.png]

本文将尽可能简洁地介绍一下ViT模型的整体架构以及基本原理。

ViT模型是基于Transformer Encoder模型的，在这里假设读者已经了解Transformer的基本知识。

## 二、Vision Transformer如何工作 ##

我们知道Transformer模型最开始是用于自然语言处理(NLP)领域的，NLP主要处理的是文本、句子、段落等，即序列数据。但是视觉领域处理的是图像数据，因此将Transformer模型应用到图像数据上面临着诸多挑战，理由如下：

1.  与单词、句子、段落等文本数据不同，图像中包含更多的信息，并且是以像素值的形式呈现。
2.  如果按照处理文本的方式来处理图像，即逐像素处理的话，即使是目前的硬件条件也很难。
3.  Transformer缺少CNNs的归纳偏差，比如平移不变性和局部受限感受野。
4.  CNNs是通过相似的卷积操作来提取特征，随着模型层数的加深，感受野也会逐步增加。但是由于Transformer的本质，其在计算量上会比CNNs更大。
5.  Transformer无法直接用于处理基于网格的数据，比如图像数据。

为了解决上述问题，Google的研究团队提出了ViT模型，它的本质其实也很简单，既然Transformer只能处理序列数据，那么我们就把图像数据转换成序列数据就可以了呗。下面来看下ViT是如何做的。

## 三、ViT模型架构 ##

我们先结合下面的动图来粗略地分析一下ViT的工作流程，如下：

1.  将一张图片分成patches；
2.  将patches铺平；
3.  将铺平后的patches的线性映射到更低维的空间；
4.  添加位置embedding编码信息；
5.  将图像序列数据送入标准Transformer encoder中去；
6.  在较大的数据集上预训练；
7.  在下游数据集上微调用于图像分类。

## 四、ViT工作原理解析 ##

我们将上图展示的过程近一步分解为6步，接下来一步一步地来解析它的原理。如下图：

![在这里插入图片描述][256e7205622f48f0ad6c34471c6ac00f.png]

### 4.1 步骤1：将图片转换成patches序列 ###

这一步很关键，为了让Transformer能够处理图像数据，第一步必须先将图像数据转换成序列数据，但是怎么做呢？假如我们有一张图片： x ∈ R H × W × C x \\in R^\{H \\times W \\times C\} x∈RH×W×C，patch 大小为 p p p，那么我们可以创建 N N N个图像 patches，可以表示为 x p ∈ R ( p 2 C ) x\_p \\in R^\{(p^2C)\} xp∈R(p2C)，其中 N = H W P 2 N = \\frac\{HW\}\{P^2\} N=P2HW， N N N就是序列的长度，类似一个句子中单词的个数。在上面的图中，可以看到图片被分为了9个patches。

### 4.2 步骤2：将patches铺平 ###

在原论文中，作者选用的 patches 大小为16，那么一个 patch 的 shape 为(3, 16, 16)，维度为3，将它铺平之后大小为3x16x16=768。即一个 patch 变为长度为 768 的向量。

不过这看起来还是有点大，此时可以使用加一个 Linear transformation，即添加一个线性映射层，将 patch 的维度映射到我们指定的 embedding 的维度，这样就和NLP中的词向量类似了。

### 4.3 步骤3：添加Position embedding ###

与 CNNs 不同，此时模型并不知道序列数据中的 patches 的位置信息。所以这些 patches 必须先追加一个位置信息，也就是图中的带数字的向量。

实验表明，不同的位置编码 embedding 对最终的结果影响不大，在 Transformer 原论文中使用的是固定位置编码，在 ViT 中使用的可学习的位置 embedding 向量，将它们加到对应的输出 patch embeddings 上。

### 4.4 步骤4：添加class token ###

在输入到Transformer Encoder之前，还需要添加一个特殊的 class token，这一点主要是借鉴了 BERT 模型。

添加这个 class token 的目的是因为，ViT 模型将这个 class token 在 Transformer Encoder 的输出当做是模型对输入图片的编码特征，用于后续输入 MLP 模块中与图片 label 进行 loss 计算。

### 4.5 步骤5：输入Transformer Encoder ###

将 patch embedding 和 class token 拼接起来输入标准的Transformer Encoder中。

### 4.6 步骤6：分类 ###

注意 Transformer Encoder 的输出其实也是一个序列，但是在 ViT 模型中只使用了 class token 的输出，将其送入 MLP 模块中，去输出最终的分类结果。

## 五、总结 ##

ViT的整体思想还是比较简单，主要是将图片分类问题转换成了序列问题。即将图片patch转换成 token，以便使用 Transformer 来处理。

听起来很简单，但是 ViT 需要在海量数据集上预训练，然后在下游数据集上进行微调才能取得较好的效果，否则效果不如 ResNet50 等基于 CNN 的模型。

[b49c1141ed4c42c189ce73ed08116dbe.png]: https://img-blog.csdnimg.cn/b49c1141ed4c42c189ce73ed08116dbe.png
[256e7205622f48f0ad6c34471c6ac00f.png]: https://img-blog.csdnimg.cn/256e7205622f48f0ad6c34471c6ac00f.png