复现篇:Vision Transform复现及讲解

本文介绍Vision Transformer,其不依赖CNN,适用于图像分类与迁移学习。含PatchEmbedding层(图片分块嵌入,加位置和分类token)、多头自注意力层、Encoder层(组合注意力与MLP等),整体结构在大型数据集上表现超SOTA模型。

☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 免费无限量使用 DeepSeek R1 模型☜☜☜

复现篇:vision transform复现及讲解 - 创想鸟

整体介绍

  当前Transformer模型被大量应用在NLP自然语言处理当中,而在计算机视觉领域,Transformer的注意力机制attention也被广泛应用,比如Se模块,CBAM模块等等注意力模块,这些注意力模块能够帮助提升网络性能。而我们的工作展示了不需要依赖CNN的结构,也可以在图像分类任务上达到很好的效果,并且也十分适合用于迁移学习。Vision Transformer将CV和NLP领域知识结合起来,对原始图片进行分块,展平成序列,输入进原始Transformer模型的编码器Encoder部分,最后接入一个全连接层对图片进行分类。在大型数据集上表现超过了当前SOTA模型

   

复现篇:Vision Transform复现及讲解 - 创想鸟        

PatchEmbedding层

PatchEmbeddingPatchEmbedding主要是将输入的图片进行”分词”,将图片转换成一个一个的小块传入,在NLP里就对应sequencesequence,具体来说,例如下图所示,我们传进去的是(3,28,28)(3,28,28)的图片,经过Embedding层之后就会变成16个7∗716个7∗7 的小块,之后通过flatten将(7,7,3)(7,7,3)打平成147个像素点,于是就变成(16,147)(16,147),16就是我们所说的numpatchsnumpatchs,147147再接上全连接层后对应的就是embeddimembeddim,在传进transformstransforms之前需要将每一个tokentoken附上每一块的位置信息和分类模块,这里叫positionembeddingpositionembedding和classtokenclasstoken,二者值的确定都是可学习的参数,需要经过神经网络的学习进行优化

复现篇:Vision Transform复现及讲解 - 创想鸟        

复现篇:Vision Transform复现及讲解 - 创想鸟        

In [7]

import paddleimport paddle.nn as nnclass PatchEmbedding(nn.Layer):    def __init__(self, image_size=224, patch_size=16, in_channels=3, embed_dim=768, dropout=0.):        super().__init__()        n_patches = (image_size // patch_size) * (image_size // patch_size)        self.patch_embedding = nn.Conv2D(in_channels=in_channels,                                         out_channels=embed_dim,                                         kernel_size=patch_size,                                         stride=patch_size)        self.dropout = nn.Dropout(dropout)        self.class_token = paddle.create_parameter(                shape=[1, 1, embed_dim],                dtype='float32',                default_initializer=nn.initializer.Constant(0.))        self.position_embedding = paddle.create_parameter(                shape=[1, n_patches+1, embed_dim],                dtype='float32',                default_initializer=nn.initializer.TruncatedNormal(std=.02))    def forward(self, x):        # [n, c, h, w]        clss_tokens = self.class_token.expand([x.shape[0], -1, -1]) # for batch,直接在第一个class_token后添加第一个X,之后将其拼接到X后        x = self.patch_embedding(x)  # [n, embed_dim, h', w']        x = x.flatten(2)        x = x.transpose([0, 2, 1])        x = paddle.concat([clss_tokens, x], axis=1)        return x

   

attention层

transformtransform里面最重要的部分可以说就是attentionattention层,attentionattention层的思路也是起源于NLP,为了找到每一个patchpatch与它附近的小块的信息,attentionattention的目的就是使每一个tokentoken注意到其他部分的信息,也叫自注意力机制。具体地,如下图所示,X是Embedding的输出,可以看到他的patch数量是3,也就是说有3个token,这里看到图中的WqWkWvWqWkWv和PP都是可学习的参数,其中我们将QKVQKV合成一个大的矩阵,目的是后续直接将该矩阵切成三份,QKQK的作用就是和其他的tokentoken做运算之后经过scaleforsoftmaxscaleforsoftmax,收集它们的信息,之后在和VV增加网络的复杂度

复现篇:Vision Transform复现及讲解 - 创想鸟        

In [8]

class Attention(nn.Layer):    """multi-head self attention"""    def __init__(self, embed_dim, num_heads, qkv_bias=True, dropout=0., attention_dropout=0.):        super().__init__()        self.num_heads = num_heads        self.head_dim = int(embed_dim / num_heads)        self.all_head_dim = self.head_dim * num_heads        self.scales = self.head_dim ** -0.5        self.qkv = nn.Linear(embed_dim,                             self.all_head_dim * 3)        self.proj = nn.Linear(embed_dim, embed_dim)        self.dropout = nn.Dropout(dropout)        self.attention_dropout = nn.Dropout(attention_dropout)        self.softmax = nn.Softmax(axis=-1)    def transpose_multihead(self, x):        # x: [N, num_patches, all_head_dim] -> [N, n_heads, num_patches, head_dim]        new_shape = x.shape[:-1] + [self.num_heads, self.head_dim]        x = x.reshape(new_shape)        x = x.transpose([0, 2, 1, 3])        return x    def forward(self, x):        B, N, _ = x.shape        # x -> [N, num_patches, dim]        # x -> q, k, v        qkv = self.qkv(x).chunk(3, axis=-1)  # 切分qkv        q, k, v = map(self.transpose_multihead, qkv)        attn = paddle.matmul(q, k, transpose_y=True) # q * k'        attn = attn * self.scales        attn = self.softmax(attn)        attn = self.attention_dropout(attn)        out = paddle.matmul(attn, v)         out = out.transpose([0, 2, 1, 3])        out = out.reshape([B, N, -1])        out = self.proj(out)                return out

   

Encoder层

可以看到,在实现最重要的attentionattention之后,还需要实现MLPMLP,layearnormalizelayearnormalize以及残差层链接,组成EncoderEncoder层,五个EncoderEncoder组成一个transformtransform,在每个EncoderEncoder以及每个MLPMLP,layearnormalizelayearnormalize都不会改变数据的维度,目的是我们增加层数时不会变更太多

复现篇:Vision Transform复现及讲解 - 创想鸟        

In [10]

class Identity(nn.Layer):    def __init__(self):        super().__init__()    def forward(self, x):        return xclass Mlp(nn.Layer):    def __init__(self, embed_dim, mlp_ratio, dropout=0.):        super().__init__()        self.fc1 = nn.Linear(embed_dim, int(embed_dim * mlp_ratio))        self.fc2 = nn.Linear(int(embed_dim * mlp_ratio), embed_dim)        self.act = nn.GELU()        self.dropout = nn.Dropout(dropout)    def forward(self, x):        x = self.fc1(x)        x = self.act(x)        x = self.dropout(x)        x = self.fc2(x)        x = self.dropout(x)        return xclass EncoderLayer(nn.Layer):    def __init__(self, embed_dim=768, num_heads=4, qkv_bias=True, mlp_ratio=4.0, dropout=0., attention_dropout=0.):        super().__init__()        self.attn_norm = nn.LayerNorm(embed_dim)        self.attn = Attention(embed_dim, num_heads)        self.mlp_norm = nn.LayerNorm(embed_dim)        self.mlp = Mlp(embed_dim, mlp_ratio)    def forward(self, x):        # TODO        h = x  # residual        x = self.attn_norm(x)        x = self.attn(x)        x = x + h        h = x        x = self.mlp_norm(x)        x = self.mlp(x)        x = x + h        return x        class Encoder(nn.Layer):    def __init__(self, embed_dim, depth):        super().__init__()        layer_list = []        for i in range(depth):            encoder_layer = EncoderLayer()            layer_list.append(encoder_layer)        self.layers = nn.LayerList(layer_list)        self.norm = nn.LayerNorm(embed_dim)    def forward(self, x):        for layer in self.layers:            x = layer(x)        x = self.norm(x)        return x  class VisualTransformer(nn.Layer):    def __init__(self,                 image_size=224,                 patch_size=16,                 in_channels=3,                 num_classes=1000,                 embed_dim=768,                 depth=3,                 num_heads=8,                 mlp_ratio=4,                 qkv_bias=True,                 dropout=0.,                 attention_dropout=0.,                 droppath=0.):        super().__init__()        self.patch_embedding = PatchEmbedding(image_size, patch_size, in_channels, embed_dim)        self.encoder = Encoder(embed_dim, depth)        self.classifier = nn.Linear(embed_dim, num_classes)    def forward(self, x):        # x:[N, C, H, W]        x = self.patch_embedding(x)  # [N, embed_dim, h', w']        # x = x.flatten(2)  # [N, embed_dim, h'*w'] h'*w'=num_patches        # x = x.transpose([0, 2, 1])  # [N, num_patches, embed_dim]        print(x.shape)        x = self.encoder(x)        print(x.shape)        x = self.classifier(x[:, 0])        return xdef main():    t = paddle.randn([4, 3, 224, 224])    vit = VisualTransformer()    out=vit(t)    print('aaaaaaaaaa',out.shape)    paddle.summary(vit, (4, 3, 224, 224)) #查看网络详细信息if __name__ == "__main__":    main()

   

以上就是复现篇:Vision Transform复现及讲解的详细内容,更多请关注创想鸟其它相关文章!

版权声明:本文内容由互联网用户自发贡献,该文观点仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。
如发现本站有涉嫌抄袭侵权/违法违规的内容, 请发送邮件至 chuangxiangniao@163.com 举报,一经查实,本站将立刻删除。
发布者:程序猿,转转请注明出处:https://www.chuangxiangniao.com/p/47271.html

(0)
打赏 微信扫一扫 微信扫一扫 支付宝扫一扫 支付宝扫一扫
上一篇 2025年11月7日 22:53:50
下一篇 2025年11月7日 22:58:18

相关推荐

  • Uniapp 中如何不拉伸不裁剪地展示图片?

    灵活展示图片:如何不拉伸不裁剪 在界面设计中,常常需要以原尺寸展示用户上传的图片。本文将介绍一种在 uniapp 框架中实现该功能的简单方法。 对于不同尺寸的图片,可以采用以下处理方式: 极端宽高比:撑满屏幕宽度或高度,再等比缩放居中。非极端宽高比:居中显示,若能撑满则撑满。 然而,如果需要不拉伸不…

    2025年12月24日
    400
  • 如何让小说网站控制台显示乱码,同时网页内容正常显示?

    如何在不影响用户界面的情况下实现控制台乱码? 当在小说网站上下载小说时,大家可能会遇到一个问题:网站上的文本在网页内正常显示,但是在控制台中却是乱码。如何实现此类操作,从而在不影响用户界面(UI)的情况下保持控制台乱码呢? 答案在于使用自定义字体。网站可以通过在服务器端配置自定义字体,并通过在客户端…

    2025年12月24日
    800
  • 如何在地图上轻松创建气泡信息框?

    地图上气泡信息框的巧妙生成 地图上气泡信息框是一种常用的交互功能,它简便易用,能够为用户提供额外信息。本文将探讨如何借助地图库的功能轻松创建这一功能。 利用地图库的原生功能 大多数地图库,如高德地图,都提供了现成的信息窗体和右键菜单功能。这些功能可以通过以下途径实现: 高德地图 JS API 参考文…

    2025年12月24日
    400
  • 如何使用 scroll-behavior 属性实现元素scrollLeft变化时的平滑动画?

    如何实现元素scrollleft变化时的平滑动画效果? 在许多网页应用中,滚动容器的水平滚动条(scrollleft)需要频繁使用。为了让滚动动作更加自然,你希望给scrollleft的变化添加动画效果。 解决方案:scroll-behavior 属性 要实现scrollleft变化时的平滑动画效果…

    2025年12月24日
    000
  • 如何为滚动元素添加平滑过渡,使滚动条滑动时更自然流畅?

    给滚动元素平滑过渡 如何在滚动条属性(scrollleft)发生改变时为元素添加平滑的过渡效果? 解决方案:scroll-behavior 属性 为滚动容器设置 scroll-behavior 属性可以实现平滑滚动。 html 代码: click the button to slide right!…

    2025年12月24日
    500
  • 如何选择元素个数不固定的指定类名子元素?

    灵活选择元素个数不固定的指定类名子元素 在网页布局中,有时需要选择特定类名的子元素,但这些元素的数量并不固定。例如,下面这段 html 代码中,activebar 和 item 元素的数量均不固定: *n *n 如果需要选择第一个 item元素,可以使用 css 选择器 :nth-child()。该…

    2025年12月24日
    200
  • 使用 SVG 如何实现自定义宽度、间距和半径的虚线边框?

    使用 svg 实现自定义虚线边框 如何实现一个具有自定义宽度、间距和半径的虚线边框是一个常见的前端开发问题。传统的解决方案通常涉及使用 border-image 引入切片图片,但是这种方法存在引入外部资源、性能低下的缺点。 为了避免上述问题,可以使用 svg(可缩放矢量图形)来创建纯代码实现。一种方…

    2025年12月24日
    100
  • 如何让“元素跟随文本高度,而不是撑高父容器?

    如何让 元素跟随文本高度,而不是撑高父容器 在页面布局中,经常遇到父容器高度被子元素撑开的问题。在图例所示的案例中,父容器被较高的图片撑开,而文本的高度没有被考虑。本问答将提供纯css解决方案,让图片跟随文本高度,确保父容器的高度不会被图片影响。 解决方法 为了解决这个问题,需要将图片从文档流中脱离…

    2025年12月24日
    000
  • 为什么 CSS mask 属性未请求指定图片?

    解决 css mask 属性未请求图片的问题 在使用 css mask 属性时,指定了图片地址,但网络面板显示未请求获取该图片,这可能是由于浏览器兼容性问题造成的。 问题 如下代码所示: 立即学习“前端免费学习笔记(深入)”; icon [data-icon=”cloud”] { –icon-cl…

    2025年12月24日
    200
  • 如何利用 CSS 选中激活标签并影响相邻元素的样式?

    如何利用 css 选中激活标签并影响相邻元素? 为了实现激活标签影响相邻元素的样式需求,可以通过 :has 选择器来实现。以下是如何具体操作: 对于激活标签相邻后的元素,可以在 css 中使用以下代码进行设置: li:has(+li.active) { border-radius: 0 0 10px…

    2025年12月24日
    100
  • 如何模拟Windows 10 设置界面中的鼠标悬浮放大效果?

    win10设置界面的鼠标移动显示周边的样式(探照灯效果)的实现方式 在windows设置界面的鼠标悬浮效果中,光标周围会显示一个放大区域。在前端开发中,可以通过多种方式实现类似的效果。 使用css 使用css的transform和box-shadow属性。通过将transform: scale(1.…

    2025年12月24日
    200
  • 为什么我的 Safari 自定义样式表在百度页面上失效了?

    为什么在 Safari 中自定义样式表未能正常工作? 在 Safari 的偏好设置中设置自定义样式表后,您对其进行测试却发现效果不同。在您自己的网页中,样式有效,而在百度页面中却失效。 造成这种情况的原因是,第一个访问的项目使用了文件协议,可以访问本地目录中的图片文件。而第二个访问的百度使用了 ht…

    2025年12月24日
    000
  • 如何用前端实现 Windows 10 设置界面的鼠标移动探照灯效果?

    如何在前端实现 Windows 10 设置界面中的鼠标移动探照灯效果 想要在前端开发中实现 Windows 10 设置界面中类似的鼠标移动探照灯效果,可以通过以下途径: CSS 解决方案 DEMO 1: Windows 10 网格悬停效果:https://codepen.io/tr4553r7/pe…

    2025年12月24日
    000
  • 使用CSS mask属性指定图片URL时,为什么浏览器无法加载图片?

    css mask属性未能加载图片的解决方法 使用css mask属性指定图片url时,如示例中所示: mask: url(“https://api.iconify.design/mdi:apple-icloud.svg”) center / contain no-repeat; 但是,在网络面板中却…

    2025年12月24日
    000
  • 如何用CSS Paint API为网页元素添加时尚的斑马线边框?

    为元素添加时尚的斑马线边框 在网页设计中,有时我们需要添加时尚的边框来提升元素的视觉效果。其中,斑马线边框是一种既醒目又别致的设计元素。 实现斜向斑马线边框 要实现斜向斑马线间隔圆环,我们可以使用css paint api。该api提供了强大的功能,可以让我们在元素上绘制复杂的图形。 立即学习“前端…

    2025年12月24日
    000
  • 图片如何不撑高父容器?

    如何让图片不撑高父容器? 当父容器包含不同高度的子元素时,父容器的高度通常会被最高元素撑开。如果你希望父容器的高度由文本内容撑开,避免图片对其产生影响,可以通过以下 css 解决方法: 绝对定位元素: .child-image { position: absolute; top: 0; left: …

    2025年12月24日
    000
  • CSS 帮助

    我正在尝试将文本附加到棕色框的左侧。我不能。我不知道代码有什么问题。请帮助我。 css .hero { position: relative; bottom: 80px; display: flex; justify-content: left; align-items: start; color:…

    2025年12月24日 好文分享
    200
  • 前端代码辅助工具:如何选择最可靠的AI工具?

    前端代码辅助工具:可靠性探讨 对于前端工程师来说,在HTML、CSS和JavaScript开发中借助AI工具是司空见惯的事情。然而,并非所有工具都能提供同等的可靠性。 个性化需求 关于哪个AI工具最可靠,这个问题没有一刀切的答案。每个人的使用习惯和项目需求各不相同。以下是一些影响选择的重要因素: 立…

    2025年12月24日
    000
  • 如何用 CSS Paint API 实现倾斜的斑马线间隔圆环?

    实现斑马线边框样式:探究 css paint api 本文将探究如何使用 css paint api 实现倾斜的斑马线间隔圆环。 问题: 给定一个有多个圆圈组成的斑马线图案,如何使用 css 实现倾斜的斑马线间隔圆环? 答案: 立即学习“前端免费学习笔记(深入)”; 使用 css paint api…

    2025年12月24日
    000
  • 如何使用CSS Paint API实现倾斜斑马线间隔圆环边框?

    css实现斑马线边框样式 想定制一个带有倾斜斑马线间隔圆环的边框?现在使用css paint api,定制任何样式都轻而易举。 css paint api 这是一个新的css特性,允许开发人员创建自定义形状和图案,其中包括斑马线样式。 立即学习“前端免费学习笔记(深入)”; 实现倾斜斑马线间隔圆环 …

    2025年12月24日
    100

发表回复

登录后才能评论
关注微信