目录
- 什么是Vision Transformer（VIT）
- Vision Transforme的实现思路
- 一、整体结构解析
- 二、网络结构解析
- 1、特征提取部分介绍
- 2、分类部分
- Vision Transforme的构建代码
什么是Vision Transformer（VIT）
视觉Transformer最近非常的火热，从VIT开始，我先学学看。
Vision Transformer是Transformer的视觉版本，Transformer基本上已经成为了自然语言处理的标配，但是在视觉中的运用还受到限制。
Vision Transformer打破了这种NLP与CV的隔离，将Transformer应用于图像图块（patch）序列上，进一步完成图像分类任务。简单来理解，Vision Transformer就是将输入进来的图片，每隔一定的区域大小划分图片块。然后将划分后的图片块组合成序列，将组合后的结果传入Transformer特有的Multi-head Self-attention进行特征提取。最后利用Cls Token进行分类。
代码下载
Vision Transforme的实现思路
一、整体结构解析
与寻常的分类网络类似，整个Vision Transformer可以氛围两部分，一部分是特征提取部分，另一部分是分类部分。
- 在特征提取部分，VIT所做的工作是特征提取。特征提取部分在图片中的对应区域是Patch+Position Embedding和Transformer Encoder。
- Patch+Position Embedding的作用主要是对输入进来的图片进行分块处理，每隔一定的区域大小划分图片块。然后将划分后的图片块组合成序列。
- 在获得序列信息后，传入Transformer Encoder进行特征提取，这是Transformer特有的Multi-head Self-attention结构，通过自注意力机制，关注每个图片块的重要程度。
- 在分类部分，VIT所做的工作是利用提取到的特征进行分类。在进行特征提取的时候，我们会在图片序列中添加上Cls Token，该Token会作为一个单位的序列信息一起进行特征提取，提取的过程中，该Cls Token会与其它的特征进行特征交互，融合其它图片序列的特征。
- 最终，我们利用Multi-head Self-attention结构提取特征后的Cls Token进行全连接分类。
二、网络结构解析
1、特征提取部分介绍
a、Patch+Position Embedding
Patch+Position Embedding的作用主要是对输入进来的图片进行分块处理，每隔一定的区域大小划分图片块。然后将划分后的图片块组合成序列。
该部分首先对输入进来的图片进行分块处理，处理方式其实很简单，使用的是现成的卷积。由于卷积使用的是滑动窗口的思想，我们只需要设定特定的步长，就可以输入进来的图片进行分块处理了。
在VIT中，我们常设置这个卷积的卷积核大小为16×16，步长也为16×16，此时卷积就会每隔16个像素点进行一次特征提取，由于卷积核大小为16×16，两个图片区域的特征提取过程就不会有重叠。当我们输入的图片是224, 224, 3的时候，我们可以获得一个14, 14, 768的特征层。
下一步就是将这个特征层组合成序列，组合的方式非常简单，就是将高宽维度进行平铺，14, 14, 768在高宽维度平铺后，获得一个196, 768的特征层。
平铺完成后，我们会在图片序列中添加上Cls Token，该Token会作为一个单位的序列信息一起进行特征提取，图中的这个0*就是Cls Token，我们此时获得一个197, 768的特征层。
添加完成Cls Token后，再为所有特征添加上位置信息，这样网络才有区分不同区域的能力。添加方式其实也非常简单，我们生成一个197, 768的参数矩阵，这个参数矩阵是可训练的，把这个矩阵加上197, 768的特征层即可。
到这里，Patch+Position Embedding就构建完成了，构建代码如下：
#--------------------------------------------------------------------------------------------------------------------#
# classtoken部分是transformer的分类特征。用于堆叠到序列化后的图片特征中，作为一个单位的序列特征进行特征提取。
#
# 在利用步长为16x16的卷积将输入图片划分成14x14的部分后，将14x14部分的特征平铺，一幅图片会存在序列长度为196的特征。
# 此时生成一个classtoken，将classtoken堆叠到序列长度为196的特征上，获得一个序列长度为197的特征。
# 在特征提取的过程中，classtoken会与图片特征进行特征的交互。最终分类时，我们取出classtoken的特征，利用全连接分类。
#--------------------------------------------------------------------------------------------------------------------#
class ClassToken(Layer):
def __init__(self, cls_initializer='zeros', cls_regularizer=None, cls_constraint=None, **kwargs):
super(ClassToken, self).__init__(**kwargs)
self.cls_initializer = keras.initializers.get(cls_initializer)
self.cls_regularizer = keras.regularizers.get(cls_regularizer)
self.cls_constraint = keras.constraints.get(cls_constraint)
def get_config(self):
config = {
'cls_initializer': keras.initializers.serialize(self.cls_initializer),
'cls_regularizer': keras.regularizers.serialize(self.cls_regularizer),
'cls_constraint': keras.constraints.serialize(self.cls_constraint),
}
base_config = super(ClassToken, self).get_config()
return dict(list(base_config.items()) + list(config.items()))
def compute_output_shape(self, input_shape):
return (input_shape[0], input_shape[1] + 1, input_shape[2])
def build(self, input_shape):
self.num_features = input_shape[-1]
self.cls = self.add_weight(
shape = (1, 1, self.num_features),
initializer = self.cls_initializer,
regularizer = self.cls_regularizer,
constraint = self.cls_constraint,
name = 'cls',
)
super(ClassToken, self).build(input_shape)
def call(self, inputs):
batch_size = tf.shape(inputs)[0]
cls_broadcasted = tf.cast(tf.broadcast_to(self.cls, [batch_size, 1, self.num_features]), dtype = inputs.dtype)
return tf.concat([cls_broadcasted, inputs], 1)
#--------------------------------------------------------------------------------------------------------------------#
# 为网络提取到的特征添加上位置信息。
# 以输入图片为224, 224, 3为例，我们获得的序列化后的图片特征为196, 768。加上classtoken后就是197, 768
# 此时生成的pos_Embedding的shape也为197, 768，代表每一个特征的位置信息。
#--------------------------------------------------------------------------------------------------------------------#
class AddPositionEmbs(Layer):
def __init__(self, image_shape, patch_size, pe_initializer='zeros', pe_regularizer=None, pe_constraint=None, **kwargs):
super(AddPositionEmbs, self).__init__(**kwargs)
self.image_shape = image_shape
self.patch_size = patch_size
self.pe_initializer = keras.initializers.get(pe_initializer)
self.pe_regularizer = keras.regularizers.get(pe_regularizer)
self.pe_constraint = keras.constraints.get(pe_constraint)
def get_config(self):
config = {
'pe_initializer': keras.initializers.serialize(self.pe_initializer),
'pe_regularizer': keras.regularizers.serialize(self.pe_regularizer),
'pe_constraint': keras.constraints.serialize(self.pe_constraint),
}
base_config = super(AddPositionEmbs, self).get_config()
return dict(list(base_config.items()) + list(config.items()))
def compute_output_shape(self, input_shape):
return input_shape
def build(self, input_shape):
assert (len(input_shape) == 3), f"Number of dimensions should be 3, got {len(input_shape)}"
length = (224 // self.patch_size) * (224 // self.patch_size) + 1
self.pe = self.add_weight(
# shape = [1, input_shape[1], input_shape[2]],
shape = [1, length, input_shape[2]],
initializer = self.pe_initializer,
regularizer = self.pe_regularizer,
constraint = self.pe_constraint,
name = 'pos_embedding',
)
super(AddPositionEmbs, self).build(input_shape)
def call(self, inputs):
num_features = tf.shape(inputs)[2]
cls_token_pe = self.pe[:, 0:1, :]
img_token_pe = self.pe[:, 1: , :]
img_token_pe = tf.reshape(img_token_pe, [1, (224 // self.patch_size), (224 // self.patch_size), num_features])
img_token_pe = tf.image.resize_bicubic(img_token_pe, (self.image_shape[0] // self.patch_size, self.image_shape[1] // self.patch_size), align_corners=False)
img_token_pe = tf.reshape(img_token_pe, [1, -1, num_features])
pe = tf.concat([cls_token_pe, img_token_pe], axis = 1)
return inputs + tf.cast(pe, dtype=inputs.dtype)
def VisionTransformer(input_shape = [224, 224], patch_size = 16, num_layers = 12, num_features = 768, num_heads = 12, mlp_dim = 3072,
classes = 1000, dropout = 0.1):
#-----------------------------------------------#
# 224, 224, 3
#-----------------------------------------------#
inputs = Input(shape = (input_shape[0], input_shape[1], 3))
#-----------------------------------------------#
# 224, 224, 3 -> 14, 14, 768
#-----------------------------------------------#
x = Conv2D(num_features, patch_size, strides = patch_size, padding = "valid", name = "patch_embed.proj")(inputs)
#-----------------------------------------------#
# 14, 14, 768 -> 196, 768
#-----------------------------------------------#
x = Reshape(((input_shape[0] // patch_size) * (input_shape[1] // patch_size), num_features))(x)
#-----------------------------------------------#
# 196, 768 -> 197, 768
#-----------------------------------------------#
x = ClassToken(name="cls_token")(x)
#-----------------------------------------------#
# 197, 768 -> 197, 768
#-----------------------------------------------#
x = AddPositionEmbs(input_shape, patch_size, name="pos_embed")(x)
b、Transformer Encoder
在上一步获得shape为197, 768的序列信息后，将序列信息传入Transformer Encoder进行特征提取，这是Transformer特有的Multi-head Self-attention结构，通过自注意力机制，关注每个图片块的重要程度。
I、Self-attention结构解析
看懂Self-attention结构，其实看懂下面这个动图就可以了，动图中存在一个序列的三个单位输入，每一个序列单位的输入都可以通过三个处理（比如全连接）获得Query、Key、Value，Query是查询向量、Key是键向量、Value值向量。
如果我们想要获得input-1的输出，那么我们进行如下几步：
1、利用input-1的查询向量，分别乘上input-1、input-2、input-3的键向量，此时我们获得了三个score。
2、然后对这三个score取softmax，获得了input-1、input-2、input-3各自的重要程度。
3、然后将这个重要程度乘上input-1、input-2、input-3的值向量，求和。
4、此时我们获得了input-1的输出。
如图所示，我们进行如下几步：
1、input-1的查询向量为[1, 0, 2]，分别乘上input-1、input-2、input-3的键向量，获得三个score为2，4，4。
2、然后对这三个score取softmax，获得了input-1、input-2、input-3各自的重要程度，获得三个重要程度为0.0，0.5，0.5。
3、然后将这个重要程度乘上input-1、input-2、input-3的值向量，求和，即0.0 ∗ [ 1 , 2 , 3 ] + 0.5 ∗ [ 2 , 8 , 0 ] + 0.5 ∗ [ 2 , 6 , 3 ] = [ 2.0 , 7.0 , 1.5 ] 0.0 * [1, 2, 3] + 0.5 * [2, 8, 0] + 0.5 * [2, 6, 3] = [2.0, 7.0, 1.5] 0.0∗[1,2,3]+0.5∗[2,8,0]+0.5∗[2,6,3]=[2.0,7.0,1.5]。
4、此时我们获得了input-1的输出 [2.0, 7.0, 1.5]。
上述的例子中，序列长度仅为3，每个单位序列的特征长度仅为3，在VIT的Transformer Encoder中，序列长度为197，每个单位序列的特征长度为768 // num_heads。但计算过程是一样的。在实际运算时，我们采用矩阵进行运算。
II、Self-attention的矩阵运算
实际的矩阵运算过程如下图所示。我以实际矩阵为例子给大家解析：
输入的Query、Key、Value如下图所示：
首先利用 查询向量query 叉乘 转置后的键向量key，这一步可以通俗的理解为，利用查询向量去查询序列的特征，获得序列每个部分的重要程度score。
输出的每一行，都代表input-1、input-2、input-3，对当前input的贡献，我们对这个贡献值取一个softmax。
然后利用 score 叉乘 value，这一步可以通俗的理解为，将序列每个部分的重要程度重新施加到序列的值上去。
这个矩阵运算的代码如下所示，各位同学可以自己试试。
import numpy as np
def soft_max(z):
t = np.exp(z)
a = np.exp(z) / np.expand_dims(np.sum(t, axis=1), 1)
return a
Query = np.array([
[1,0,2],
[2,2,2],
[2,1,3]
])
Key = np.array([
[0,1,1],
[4,4,0],
[2,3,1]
])
Value = np.array([
[1,2,3],
[2,8,0],
[2,6,3]
])
scores = Query @ Key.T
print(scores)
scores = soft_max(scores)
print(scores)
out = scores @ Value
print(out)
III、MultiHead多头注意力机制
多头注意力机制的示意图如图所示：
这幅图给人的感觉略显迷茫，我们跳脱出这个图，直接从矩阵的shape入手会清晰很多。
在第一步进行图像的分割后，我们获得的特征层为197, 768。
在施加多头的时候，我们直接对196, 768的最后一维度进行分割，比如我们想分割成12个头，那么矩阵的shepe就变成了196, 12, 64。
然后我们将196, 12, 64进行转置，将12放到前面去，获得的特征层为12, 196, 64。之后我们忽略这个12，把它和batch维度同等对待，只对196, 64进行处理，其实也就是上面的注意力机制的过程了。
#--------------------------------------------------------------------------------------------------------------------#
# Attention机制
# 将输入的特征qkv特征进行划分，首先生成query, key, value。query是查询向量、key是键向量、v是值向量。
# 然后利用 查询向量query 叉乘 转置后的键向量key，这一步可以通俗的理解为，利用查询向量去查询序列的特征，获得序列每个部分的重要程度score。
# 然后利用 score 叉乘 value，这一步可以通俗的理解为，将序列每个部分的重要程度重新施加到序列的值上去。
#--------------------------------------------------------------------------------------------------------------------#
class Attention(Layer):
def __init__(self, num_features, num_heads, **kwargs):
super(Attention, self).__init__(**kwargs)
self.num_features = num_features
self.num_heads = num_heads
self.projection_dim = num_features // num_heads
def compute_output_shape(self, input_shape):
return (input_shape[0], input_shape[1], input_shape[2] // 3)
def call(self, inputs):
#-----------------------------------------------#
# 获得batch_size
#-----------------------------------------------#
bs = tf.shape(inputs)[0]
#-----------------------------------------------#
# b, 197, 3 * 768 -> b, 197, 3, 12, 64
#-----------------------------------------------#
inputs = tf.reshape(inputs, [bs, -1, 3, self.num_heads, self.projection_dim])
#-----------------------------------------------#
# b, 197, 3, 12, 64 -> 3, b, 12, 197, 64
#-----------------------------------------------#
inputs = tf.transpose(inputs, [2, 0, 3, 1, 4])
#-----------------------------------------------#
# 将query, key, value划分开
# query b, 12, 197, 64
# key b, 12, 197, 64
# value b, 12, 197, 64
#-----------------------------------------------#
query, key, value = inputs[0], inputs[1], inputs[2]
#-----------------------------------------------#
# b, 12, 197, 64 @ b, 12, 197, 64 = b, 12, 197, 197
#-----------------------------------------------#
score = tf.matmul(query, key, transpose_b=True)
#-----------------------------------------------#
# 进行数量级的缩放
#-----------------------------------------------#
scaled_score = score / tf.math.sqrt(tf.cast(self.projection_dim, score.dtype))
#-----------------------------------------------#
# b, 12, 197, 197 -> b, 12, 197, 197
#-----------------------------------------------#
weights = tf.nn.softmax(scaled_score, axis=-1)
#-----------------------------------------------#
# b, 12, 197, 197 @ b, 12, 197, 64 = b, 12, 197, 64
#-----------------------------------------------#
value = tf.matmul(weights, value)
#-----------------------------------------------#
# b, 12, 197, 64 -> b, 197, 12, 64
#-----------------------------------------------#
value = tf.transpose(value, perm=[0, 2, 1, 3])
#-----------------------------------------------#
# b, 197, 12, 64 -> b, 197, 768
#-----------------------------------------------#
output = tf.reshape(value, (tf.shape(value)[0], tf.shape(value)[1], -1))
return output
def MultiHeadSelfAttention(inputs, num_features, num_heads, dropout, name):
#-----------------------------------------------#
# qkv b, 197, 768 -> b, 197, 3 * 768
#-----------------------------------------------#
qkv = Dense(int(num_features * 3), name = name + "qkv")(inputs)
#-----------------------------------------------#
# b, 197, 3 * 768 -> b, 197, 768
#-----------------------------------------------#
x = Attention(num_features, num_heads)(qkv)
#-----------------------------------------------#
# 197, 768 -> 197, 768
#-----------------------------------------------#
x = Dense(num_features, name = name + "proj")(x)
x = Dropout(dropout)(x)
return x
IV、TransformerBlock的构建。
在完成MultiHeadSelfAttention的构建后，我们需要在其后加上两个全连接。就构建了整个TransformerBlock。
def MLP(y, num_features, mlp_dim, dropout, name):
y = Dense(mlp_dim, name = name + "fc1")(y)
y = Gelu()(y)
y = Dropout(dropout)(y)
y = Dense(num_features, name = name + "fc2")(y)
return y
def TransformerBlock(inputs, num_features, num_heads, mlp_dim, dropout, name):
#-----------------------------------------------#
# 施加层标准化
#-----------------------------------------------#
x = LayerNormalization(epsilon=1e-6, name = name + "norm1")(inputs)
#-----------------------------------------------#
# 施加多头注意力机制
#-----------------------------------------------#
x = MultiHeadSelfAttention(x, num_features, num_heads, dropout, name = name + "attn.")
x = Dropout(dropout)(x)
#-----------------------------------------------#
# 施加残差结构
#-----------------------------------------------#
x = Add()([x, inputs])
#-----------------------------------------------#
# 施加层标准化
#-----------------------------------------------#
y = LayerNormalization(epsilon=1e-6, name = name + "norm2")(x)
#-----------------------------------------------#
# 施加两次全连接
#-----------------------------------------------#
y = MLP(y, num_features, mlp_dim, dropout, name = name + "mlp.")
y = Dropout(dropout)(y)
#-----------------------------------------------#
# 施加残差结构
#-----------------------------------------------#
y = Add()([x, y])
return y
c、整个VIT模型的构建
整个VIT模型由一个Patch+Position Embedding加上多个TransformerBlock组成。典型的TransforerBlock的数量为12个。
def VisionTransformer(input_shape = [224, 224], patch_size = 16, num_layers = 12, num_features = 768, num_heads = 12, mlp_dim = 3072,
classes = 1000, dropout = 0.1):
#-----------------------------------------------#
# 224, 224, 3
#-----------------------------------------------#
inputs = Input(shape = (input_shape[0], input_shape[1], 3))
#-----------------------------------------------#
# 224, 224, 3 -> 14, 14, 768
#-----------------------------------------------#
x = Conv2D(num_features, patch_size, strides = patch_size, padding = "valid", name = "patch_embed.proj")(inputs)
#-----------------------------------------------#
# 14, 14, 768 -> 196, 768
#-----------------------------------------------#
x = Reshape(((input_shape[0] // patch_size) * (input_shape[1] // patch_size), num_features))(x)
#-----------------------------------------------#
# 196, 768 -> 197, 768
#-----------------------------------------------#
x = ClassToken(name="cls_token")(x)
#-----------------------------------------------#
# 197, 768 -> 197, 768
#-----------------------------------------------#
x = AddPositionEmbs(input_shape, patch_size, name="pos_embed")(x)
#-----------------------------------------------#
# 197, 768 -> 197, 768 12次
#-----------------------------------------------#
for n in range(num_layers):
x = TransformerBlock(
x,
num_features= num_features,
num_heads = num_heads,
mlp_dim = mlp_dim,
dropout = dropout,
name = "blocks." + str(n) + ".",
)
x = LayerNormalization(
epsilon=1e-6, name="norm"
)(x)
2、分类部分
在分类部分，VIT所做的工作是利用提取到的特征进行分类。
在进行特征提取的时候，我们会在图片序列中添加上Cls Token，该Token会作为一个单位的序列信息一起进行特征提取，提取的过程中，该Cls Token会与其它的特征进行特征交互，融合其它图片序列的特征。
最终，我们利用Multi-head Self-attention结构提取特征后的Cls Token进行全连接分类。
def VisionTransformer(input_shape = [224, 224], patch_size = 16, num_layers = 12, num_features = 768, num_heads = 12, mlp_dim = 3072,
classes = 1000, dropout = 0.1):
#-----------------------------------------------#
# 224, 224, 3
#-----------------------------------------------#
inputs = Input(shape = (input_shape[0], input_shape[1], 3))
#-----------------------------------------------#
# 224, 224, 3 -> 14, 14, 768
#-----------------------------------------------#
x = Conv2D(num_features, patch_size, strides = patch_size, padding = "valid", name = "patch_embed.proj")(inputs)
#-----------------------------------------------#
# 14, 14, 768 -> 196, 768
#-----------------------------------------------#
x = Reshape(((input_shape[0] // patch_size) * (input_shape[1] // patch_size), num_features))(x)
#-----------------------------------------------#
# 196, 768 -> 197, 768
#-----------------------------------------------#
x = ClassToken(name="cls_token")(x)
#-----------------------------------------------#
# 197, 768 -> 197, 768
#-----------------------------------------------#
x = AddPositionEmbs(input_shape, patch_size, name="pos_embed")(x)
#-----------------------------------------------#
# 197, 768 -> 197, 768 12次
#-----------------------------------------------#
for n in range(num_layers):
x = TransformerBlock(
x,
num_features= num_features,
num_heads = num_heads,
mlp_dim = mlp_dim,
dropout = dropout,
name = "blocks." + str(n) + ".",
)
x = LayerNormalization(
epsilon=1e-6, name="norm"
)(x)
x = Lambda(lambda v: v[:, 0], name="ExtractToken")(x)
x = Dense(classes, name="head")(x)
x = Softmax()(x)
return keras.models.Model(inputs, x)
Vision Transforme的构建代码
import math
import keras
import tensorflow as tf
from keras import backend as K
from keras.layers import (Add, Conv2D, Dense, Dropout, Input, Lambda, Layer,
Reshape, Softmax)
#--------------------------------------#
# LayerNormalization
# 层标准化的实现
#--------------------------------------#
class LayerNormalization(keras.layers.Layer):
def __init__(self,
center=True,
scale=True,
epsilon=None,
gamma_initializer='ones',
beta_initializer='zeros',
gamma_regularizer=None,
beta_regularizer=None,
gamma_constraint=None,
beta_constraint=None,
**kwargs):
"""Layer normalization layer
See: [Layer Normalization](https://arxiv.org/pdf/1607.06450.pdf)
:param center: Add an offset parameter if it is True.
:param scale: Add a scale parameter if it is True.
:param epsilon: Epsilon for calculating variance.
:param gamma_initializer: Initializer for the gamma weight.
:param beta_initializer: Initializer for the beta weight.
:param gamma_regularizer: Optional regularizer for the gamma weight.
:param beta_regularizer: Optional regularizer for the beta weight.
:param gamma_constraint: Optional constraint for the gamma weight.
:param beta_constraint: Optional constraint for the beta weight.
:param kwargs:
"""
super(LayerNormalization, self).__init__(**kwargs)
self.supports_masking = True
self.center = center
self.scale = scale
if epsilon is None:
epsilon = K.epsilon() * K.epsilon()
self.epsilon = epsilon
self.gamma_initializer = keras.initializers.get(gamma_initializer)
self.beta_initializer = keras.initializers.get(beta_initializer)
self.gamma_regularizer = keras.regularizers.get(gamma_regularizer)
self.beta_regularizer = keras.regularizers.get(beta_regularizer)
self.gamma_constraint = keras.constraints.get(gamma_constraint)
self.beta_constraint = keras.constraints.get(beta_constraint)
self.gamma, self.beta = None, None
def get_config(self):
config = {
'center': self.center,
'scale': self.scale,
'epsilon': self.epsilon,
'gamma_initializer': keras.initializers.serialize(self.gamma_initializer),
'beta_initializer': keras.initializers.serialize(self.beta_initializer),
'gamma_regularizer': keras.regularizers.serialize(self.gamma_regularizer),
'beta_regularizer': keras.regularizers.serialize(self.beta_regularizer),
'gamma_constraint': keras.constraints.serialize(self.gamma_constraint),
'beta_constraint': keras.constraints.serialize(self.beta_constraint),
}
base_config = super(LayerNormalization, self).get_config()
return dict(list(base_config.items()) + list(config.items()))
def compute_output_shape(self, input_shape):
return input_shape
def compute_mask(self, inputs, input_mask=None):
return input_mask
def build(self, input_shape):
shape = input_shape[-1:]
if self.scale:
self.gamma = self.add_weight(
shape=shape,
initializer=self.gamma_initializer,
regularizer=self.gamma_regularizer,
constraint=self.gamma_constraint,
name='gamma',
)
if self.center:
self.beta = self.add_weight(
shape=shape,
initializer=self.beta_initializer,
regularizer=self.beta_regularizer,
constraint=self.beta_constraint,
name='beta',
)
super(LayerNormalization, self).build(input_shape)
def call(self, inputs, training=None):
mean = K.mean(inputs, axis=-1, keepdims=True)
variance = K.mean(K.square(inputs - mean), axis=-1, keepdims=True)
std = K.sqrt(variance + self.epsilon)
outputs = (inputs - mean) / std
if self.scale:
outputs *= self.gamma
if self.center:
outputs += self.beta
return outputs
#--------------------------------------#
# Gelu激活函数的实现
# 利用近似的数学公式
#--------------------------------------#
class Gelu(Layer):
def __init__(self, **kwargs):
super(Gelu, self).__init__(**kwargs)
self.supports_masking = True
def call(self, inputs):
return 0.5 * inputs * (1 + tf.tanh(tf.sqrt(2 / math.pi) * (inputs + 0.044715 * tf.pow(inputs, 3))))
def get_config(self):
config = super(Gelu, self).get_config()
return config
def compute_output_shape(self, input_shape):
return input_shape
#--------------------------------------------------------------------------------------------------------------------#
# classtoken部分是transformer的分类特征。用于堆叠到序列化后的图片特征中，作为一个单位的序列特征进行特征提取。
#
# 在利用步长为16x16的卷积将输入图片划分成14x14的部分后，将14x14部分的特征平铺，一幅图片会存在序列长度为196的特征。
# 此时生成一个classtoken，将classtoken堆叠到序列长度为196的特征上，获得一个序列长度为197的特征。
# 在特征提取的过程中，classtoken会与图片特征进行特征的交互。最终分类时，我们取出classtoken的特征，利用全连接分类。
#--------------------------------------------------------------------------------------------------------------------#
class ClassToken(Layer):
def __init__(self, cls_initializer='zeros', cls_regularizer=None, cls_constraint=None, **kwargs):
super(ClassToken, self).__init__(**kwargs)
self.cls_initializer = keras.initializers.get(cls_initializer)
self.cls_regularizer = keras.regularizers.get(cls_regularizer)
self.cls_constraint = keras.constraints.get(cls_constraint)
def get_config(self):
config = {
'cls_initializer': keras.initializers.serialize(self.cls_initializer),
'cls_regularizer': keras.regularizers.serialize(self.cls_regularizer),
'cls_constraint': keras.constraints.serialize(self.cls_constraint),
}
base_config = super(ClassToken, self).get_config()
return dict(list(base_config.items()) + list(config.items()))
def compute_output_shape(self, input_shape):
return (input_shape[0], input_shape[1] + 1, input_shape[2])
def build(self, input_shape):
self.num_features = input_shape[-1]
self.cls = self.add_weight(
shape = (1, 1, self.num_features),
initializer = self.cls_initializer,
regularizer = self.cls_regularizer,
constraint = self.cls_constraint,
name = 'cls',
)
super(ClassToken, self).build(input_shape)
def call(self, inputs):
batch_size = tf.shape(inputs)[0]
cls_broadcasted = tf.cast(tf.broadcast_to(self.cls, [batch_size, 1, self.num_features]), dtype = inputs.dtype)
return tf.concat([cls_broadcasted, inputs], 1)
#--------------------------------------------------------------------------------------------------------------------#
# 为网络提取到的特征添加上位置信息。
# 以输入图片为224, 224, 3为例，我们获得的序列化后的图片特征为196, 768。加上classtoken后就是197, 768
# 此时生成的pos_Embedding的shape也为197, 768，代表每一个特征的位置信息。
#--------------------------------------------------------------------------------------------------------------------#
class AddPositionEmbs(Layer):
def __init__(self, image_shape, patch_size, pe_initializer='zeros', pe_regularizer=None, pe_constraint=None, **kwargs):
super(AddPositionEmbs, self).__init__(**kwargs)
self.image_shape = image_shape
self.patch_size = patch_size
self.pe_initializer = keras.initializers.get(pe_initializer)
self.pe_regularizer = keras.regularizers.get(pe_regularizer)
self.pe_constraint = keras.constraints.get(pe_constraint)
def get_config(self):
config = {
'pe_initializer': keras.initializers.serialize(self.pe_initializer),
'pe_regularizer': keras.regularizers.serialize(self.pe_regularizer),
'pe_constraint': keras.constraints.serialize(self.pe_constraint),
}
base_config = super(AddPositionEmbs, self).get_config()
return dict(list(base_config.items()) + list(config.items()))
def compute_output_shape(self, input_shape):
return input_shape
def build(self, input_shape):
assert (len(input_shape) == 3), f"Number of dimensions should be 3, got {len(input_shape)}"
length = (224 // self.patch_size) * (224 // self.patch_size) + 1
self.pe = self.add_weight(
# shape = [1, input_shape[1], input_shape[2]],
shape = [1, length, input_shape[2]],
initializer = self.pe_initializer,
regularizer = self.pe_regularizer,
constraint = self.pe_constraint,
name = 'pos_embedding',
)
super(AddPositionEmbs, self).build(input_shape)
def call(self, inputs):
num_features = tf.shape(inputs)[2]
cls_token_pe = self.pe[:, 0:1, :]
img_token_pe = self.pe[:, 1: , :]
img_token_pe = tf.reshape(img_token_pe, [1, (224 // self.patch_size), (224 // self.patch_size), num_features])
img_token_pe = tf.image.resize_bicubic(img_token_pe, (self.image_shape[0] // self.patch_size, self.image_shape[1] // self.patch_size), align_corners=False)
img_token_pe = tf.reshape(img_token_pe, [1, -1, num_features])
pe = tf.concat([cls_token_pe, img_token_pe], axis = 1)
return inputs + tf.cast(pe, dtype=inputs.dtype)
#--------------------------------------------------------------------------------------------------------------------#
# Attention机制
# 将输入的特征qkv特征进行划分，首先生成query, key, value。query是查询向量、key是键向量、v是值向量。
# 然后利用 查询向量query 叉乘 转置后的键向量key，这一步可以通俗的理解为，利用查询向量去查询序列的特征，获得序列每个部分的重要程度score。
# 然后利用 score 叉乘 value，这一步可以通俗的理解为，将序列每个部分的重要程度重新施加到序列的值上去。
#--------------------------------------------------------------------------------------------------------------------#
class Attention(Layer):
def __init__(self, num_features, num_heads, **kwargs):
super(Attention, self).__init__(**kwargs)
self.num_features = num_features
self.num_heads = num_heads
self.projection_dim = num_features // num_heads
def compute_output_shape(self, input_shape):
return (input_shape[0], input_shape[1], input_shape[2] // 3)
def call(self, inputs):
#-----------------------------------------------#
# 获得batch_size
#-----------------------------------------------#
bs = tf.shape(inputs)[0]
#-----------------------------------------------#
# b, 197, 3 * 768 -> b, 197, 3, 12, 64
#-----------------------------------------------#
inputs = tf.reshape(inputs, [bs, -1, 3, self.num_heads, self.projection_dim])
#-----------------------------------------------#
# b, 197, 3, 12, 64 -> 3, b, 12, 197, 64
#-----------------------------------------------#
inputs = tf.transpose(inputs, [2, 0, 3, 1, 4])
#-----------------------------------------------#
# 将query, key, value划分开
# query b, 12, 197, 64
# key b, 12, 197, 64
# value b, 12, 197, 64
#-----------------------------------------------#
query, key, value = inputs[0], inputs[1], inputs[2]
#-----------------------------------------------#
# b, 12, 197, 64 @ b, 12, 197, 64 = b, 12, 197, 197
#-----------------------------------------------#
score = tf.matmul(query, key, transpose_b=True)
#-----------------------------------------------#
# 进行数量级的缩放
#-----------------------------------------------#
scaled_score = score / tf.math.sqrt(tf.cast(self.projection_dim, score.dtype))
#-----------------------------------------------#
# b, 12, 197, 197 -> b, 12, 197, 197
#-----------------------------------------------#
weights = tf.nn.softmax(scaled_score, axis=-1)
#-----------------------------------------------#
# b, 12, 197, 197 @ b, 12, 197, 64 = b, 12, 197, 64
#-----------------------------------------------#
value = tf.matmul(weights, value)
#-----------------------------------------------#
# b, 12, 197, 64 -> b, 197, 12, 64
#-----------------------------------------------#
value = tf.transpose(value, perm=[0, 2, 1, 3])
#-----------------------------------------------#
# b, 197, 12, 64 -> b, 197, 768
#-----------------------------------------------#
output = tf.reshape(value, (tf.shape(value)[0], tf.shape(value)[1], -1))
return output
def MultiHeadSelfAttention(inputs, num_features, num_heads, dropout, name):
#-----------------------------------------------#
# qkv b, 197, 768 -> b, 197, 3 * 768
#-----------------------------------------------#
qkv = Dense(int(num_features * 3), name = name + "qkv")(inputs)
#-----------------------------------------------#
# b, 197, 3 * 768 -> b, 197, 768
#-----------------------------------------------#
x = Attention(num_features, num_heads)(qkv)
#-----------------------------------------------#
# 197, 768 -> 197, 768
#-----------------------------------------------#
x = Dense(num_features, name = name + "proj")(x)
x = Dropout(dropout)(x)
return x
def MLP(y, num_features, mlp_dim, dropout, name):
y = Dense(mlp_dim, name = name + "fc1")(y)
y = Gelu()(y)
y = Dropout(dropout)(y)
y = Dense(num_features, name = name + "fc2")(y)
return y
def TransformerBlock(inputs, num_features, num_heads, mlp_dim, dropout, name):
#-----------------------------------------------#
# 施加层标准化
#-----------------------------------------------#
x = LayerNormalization(epsilon=1e-6, name = name + "norm1")(inputs)
#-----------------------------------------------#
# 施加多头注意力机制
#-----------------------------------------------#
x = MultiHeadSelfAttention(x, num_features, num_heads, dropout, name = name + "attn.")
x = Dropout(dropout)(x)
#-----------------------------------------------#
# 施加残差结构
#-----------------------------------------------#
x = Add()([x, inputs])
#-----------------------------------------------#
# 施加层标准化
#-----------------------------------------------#
y = LayerNormalization(epsilon=1e-6, name = name + "norm2")(x)
#-----------------------------------------------#
# 施加两次全连接
#-----------------------------------------------#
y = MLP(y, num_features, mlp_dim, dropout, name = name + "mlp.")
y = Dropout(dropout)(y)
#-----------------------------------------------#
# 施加残差结构
#-----------------------------------------------#
y = Add()([x, y])
return y
def VisionTransformer(input_shape = [224, 224], patch_size = 16, num_layers = 12, num_features = 768, num_heads = 12, mlp_dim = 3072,
classes = 1000, dropout = 0.1):
#-----------------------------------------------#
# 224, 224, 3
#-----------------------------------------------#
inputs = Input(shape = (input_shape[0], input_shape[1], 3))
#-----------------------------------------------#
# 224, 224, 3 -> 14, 14, 768
#-----------------------------------------------#
x = Conv2D(num_features, patch_size, strides = patch_size, padding = "valid", name = "patch_embed.proj")(inputs)
#-----------------------------------------------#
# 14, 14, 768 -> 196, 768
#-----------------------------------------------#
x = Reshape(((input_shape[0] // patch_size) * (input_shape[1] // patch_size), num_features))(x)
#-----------------------------------------------#
# 196, 768 -> 197, 768
#-----------------------------------------------#
x = ClassToken(name="cls_token")(x)
#-----------------------------------------------#
# 197, 768 -> 197, 768
#-----------------------------------------------#
x = AddPositionEmbs(input_shape, patch_size, name="pos_embed")(x)
#-----------------------------------------------#
# 197, 768 -> 197, 768 12次
#-----------------------------------------------#
for n in range(num_layers):
x = TransformerBlock(
x,
num_features= num_features,
num_heads = num_heads,
mlp_dim = mlp_dim,
dropout = dropout,
name = "blocks." + str(n) + ".",
)
x = LayerNormalization(
epsilon=1e-6, name="norm"
)(x)
x = Lambda(lambda v: v[:, 0], name="ExtractToken")(x)
x = Dense(classes, name="head")(x)
x = Softmax()(x)
return keras.models.Model(inputs, x)
以上就是Keras实现Vision Transformer VIT模型示例详解的详细内容，更多关于Keras实现VIT模型的资料请关注其它相关文章！
声明：本站所有文章，如无特殊说明或标注，均为本站原创发布。任何个人或组织，在未征得本站同意时，禁止复制、盗用、采集、发布本站内容到任何网站、书籍等各类媒体平台。如若本站内容侵犯了原著者的合法权益，可联系我们进行处理。
评论(0)