目录

一、前言

1.1 Transformer在视觉领域上使用的难点

        在NLP中，输入transformer中的是一个序列，而在视觉领域，需要考虑如何将一个2d图片转化为一个1d的序列，最直观的想法就是将图片中的像素点输入到transformer中，但是这样会有一个问题，因为模型训练中图片的大小是224*224=50176，而正常的bert的序列长度是512，是bert的100倍，这个的复杂度太高了。

1.2 输入序列长度的改进

        如果直接输入像素点复杂度太高的话，就想着如何降低这部分的复杂度

        1）使用网络中间的特征图

        比如用res50最后一个stage res4 的feature map size只有14*14=196，序列长度是满足预期的

        2）孤立自注意力

        使用local window而不是整张图，输入的序列长度可以由windows size来控制

        3）轴自注意力

        将在2d图片上的自注意力操作改为分别在图片的高和宽两个维度上做self-attention，可以大大降低复杂度，但是由于目前硬件没有对这种操作做加速，很难支持大规模的数据量级。

1.3 VIT对输入的改进

        先将图片切分成一个个patch，然后每一个patch作为一个token输入到transformer中，但是由于整个transformer每个token之间都会做attention，所以输入本身并不存在一个顺序问题。但是对于图片而言，每个patch之间是有顺序的，所以类比bert，给每个patch embedding加上一个position embedding（是sum）。同时最终的输出也借鉴了bert， 用0和cls来替代整体，这部分对应的embedding就是最终的输出。

二、Vision Transformer模型

        下图是原论文中给出的关于Vision Transformer(ViT)的模型框架。简单而言，模型由三个模块组成：

1.Linear Projection of Flattened Patches(Embedding层)

2.Transformer Encoder

3.MLP Head（最终用于分类的层结构）

2.1 Embedding层

        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，首先将一张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Patche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的卷积来实现。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]，此时正好变成了一个二维矩阵，正是Transformer想要的。

2.2 Transformer Encoder

        Transformer Encoder其实就是重复堆叠Encoder Block L次，主要由Layer Norm、Multi-Head Attention、Dropout和MLP Block几部分组成。

2.3 MLP Head

        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]。这里我们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上或者你自己的数据上时，只用一个Linear即可。

2.4  具体流程

        1.首先将分辨率为 T × H × W 的输入视频，其中 T 为帧数、H 为高度、W 为宽度，分割成尺寸为1×16×16的非重叠块，然后在平坦图像块上逐点运用线性层，将其投影到潜在尺寸 D 中。就是1×16×16的核大小和步长的卷积，如表1中patch1阶段所示。

        2.位置嵌入E ∈ ​添加到长度为L且维数为D的投影序列的每个元素。

        3.通过N个变换器块的顺序处理，产生的长度为L+1的序列，每个变换器块执行注意力（MHA）、多层感知机（MLP）和层规范化（LN）操作。通过以下公式计算：

        注：此处产生长度为L+1的序列是因为spacetime resolution + class token

         4.N个连续块之后的结果序列被层规范化，通过线性层来预测输出。此处需要注意，默认情况下，MLP的输入是4D。

三、模型搭建参数

        在论文的Table1中有给出三个模型（Base/ Large/ Huge）的参数，在源码中除了有Patch Size为16×16的外还有32×32的。

其中：

Layers就是Transformer Encoder中重复堆叠Encoder Block的次数 L。
Hidden Size就是对应通过Embedding层(Patch Embedding + Class Embedding + Position Embedding)后每个token的dim（序列向量的长度）
MLP Size是Transformer Encoder中MLP Block第一个全连接的节点个数（是token长度的4倍）
Heads代表Transformer中Multi-Head Attention的heads数。

四、结果分析

        上表是论文用来对比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。通过对比可得出结论：

        1.在训练epoch较少时Hybrid优于ViT -> Epoch小选Hybrid

        2.当epoch增大后ViT优于Hybrid -> Epoch大选ViT