网站织梦如何让会员注册,如何做好网站建设的设计布局,室内设计方案介绍,教育培训网站排名上期介绍了Transformer的结构、特点和作用等方面的知识#xff0c;回头看下来这一模型并不难#xff0c;依旧是传统机器翻译模型中常见的seq2seq网络#xff0c;里面加入了注意力机制#xff0c;QKV矩阵的运算使得计算并行。
当然#xff0c;最大的重点不是矩阵运算…上期介绍了Transformer的结构、特点和作用等方面的知识回头看下来这一模型并不难依旧是传统机器翻译模型中常见的seq2seq网络里面加入了注意力机制QKV矩阵的运算使得计算并行。
当然最大的重点不是矩阵运算而是注意力机制的出现。 一、CNN最大的问题是什么
CNN依旧是十分优秀的特征提取器然而注意力机制的出现使得CNN隐含的一些问题显露了出来。
CNN中一个很重要的概念是感受野一开始神经网络渐层的的卷积核中只能看到一些线条边角等信息而后才能不断加大看到一个小小的“面”看到鼻子眼睛再到后来看到整个头部。一方面的问题是做到这些需要网络层数不断地加深(不考虑卷积核的大小)感受野才会变大另一方面的问题是特征图所表达出来的信息往往是十分抽象的我们不清楚到底需要多少层也不清楚每层的抽象信息是否都有用(ResNet出现)。 假设我们的脸贴在一幅画上我们无法看出一幅画里都有什么 “管中窥豹”、“坐井观天”、“一叶障目” 等都是我们此时的感受野太小了稍微抬下头我们看到了画中的人稍微站得远一步我们看到了整幅画从脑中的经验得知这是《清明上河图》。 上面这种情况是我们机械的从视野的角度去分辨看待事物然而我们是人类我们拥有注意力。
我们会在观察一张图片时会忽略背景注意图片中的主体(或相反)
我们会在区分狮子还是老虎时更注意看它们的毛发它们的头上有没有“王”。 回想注意力机制的特点它是从整体上观察我们需要什么要注意的地方在哪里。既然是在整体上观察那么其“感受野”一定就相当于许多层之后的CNN了。
CNN许多层才做到的事情在Transformer中第一层就做到了。 二、VIT整体架构解读
2.1 图像转换成序列
接下来就是该怎么做了由于Transofrmer是序列到序列模型我们需要把图像信息转为序列传给Encoder。 观察上图左下角一个完整的图片我们可以把它切割成9份(举例)9个patch每一份比如说是10x10x3的矩阵。将每一份通过一次卷积变成1x300的矩阵由此变成序列。
如上图9个300维的向量传递给Linear Projection of Flattened Patches层其实就是一次全连接进行映射把我们这些300维的向量映射成256/512维等的向量。
之后传递给Transformer Encoder。 2.2 VIT位置编码
我们上面把一张图片切成了9份每份都有建筑物的一部分要让计算机更好地识别出图片内容这9份应当给它们加上序号即位置编码。 论文实验证明加上序号比不加效果好以1-9为序号和以(1,1) (1,2) (1,3) (2,1)...(3,3)为序号结果相差不大。
当然该论文进行的是分类任务位置编码1D和2D确实没有太大区别。但如果放在分割等任务就不一定了。 2.3 VIT工作原理 可以看到上图除了1-9以外还存在一个序列0我们把这个0叫做token。这个token一般只用于分类任务而检测分割一般用不到。
以分类任务为例无非是多了一行序列。
当把0号token序列1-9传递给Encoder后它内部进行QKV计算和权重矩阵计算转变为QKV矩阵继续计算。其本质就是0号token序列1-9这10个序列点积这样0号token中就是存储着序列1-9的特征9个patch的。如此经过L轮经过L轮计算0号token中的信息就是全局信息了。
之后就可以使用0号token这个向量去做分类了。 2.4 backbone 如上Embedded Patches位置编码后经过层归一化多头注意力层归一化全连接期间还有这残差连接。
另外这不只是一轮而是会执行多次。 三、Transformer为什么能
就像 一 中末尾说的那样它是从整体上观察我们需要什么要注意的地方在哪里。既然是在整体上观察那么其“感受野”一定就相当于许多层之后的CNN了。 因为0号token是最后拿去进行分类的在计算时第一层第一次的计算0号就分别于1-9patch进行了点积这9个局部信息组成的整体便是这张图片。 上图可以看到这样做在浅层就能获得较大的范围信息可能5层就做得比CNN好了全局信息丰富更有助于理解图像。 四、VIT公式解读和效果图 E表示的是全连接P²·C的矩阵映射为P²·D维。后面的则是位置编码(N1)·D维N是N个patch1是因为前面所提的0号token。 Z是每层的输入Z0就是第0层记得加上位置编码。 然后就是进行多轮多头注意力机制的运算MSA是多头注意力LN是层归一化MLP是全连接。后面的加法是残差连接。 最后输出结果。 效果图 其中ViT后面的16 14 32指的是patch的大小对于一张图片来说patch越大窗口数量越少patch越小窗口数量越多。
显然与ResNet相比ViT更好些。 五、TNT模型
5.1 TNT介绍
TNTTransformer in Transformer
在VIT中只针对patch进行了建模比如一个patch是16*16*C (其中C是特征图个数可能是256、512等)。每个patch可能有点大了越大的patch所蕴含的信息就越多学习起来难度就越大。
因此一方面可以基于patch去做另一方面还可以把patch再分得细一点如16*16分成4个4*4。 所以TNT的名字就代表了它要做什么在Transformer里嵌套一个Transformer。 5.2 TNT模型做法分析
TNT由外部Transformer和内部Transoformer组成其中
外部Transformer与VIT的做法一样内部把每个patch组成多个超像素(4个像素点)把重组的序列继续做Transformer。以16*16为例序列的长度就是256了太长了太慢了效率低且通常一个像素点也不能表达什么信息。至少也是4个点。因此内部将每个patch拆分成很多个4*4的小块即分成更多个batch然后重组。 以内部的一个16*16*3的patch为例拆分成4*4的超像素结果就是每一个超像素每一个小patch上特征的个数。 之前一个点上有3个channel的信息而现在一个点上有48个。patch变小了但浓缩了。 把这些小patch整合在一起全连接之后的Transformer与前面一样。 如上每个patch经过外部Transformer计算得到向量每个patch又拆分成小patch后全连接经过内部Transformer得到同样维度的输出向量。两个向量加在一起作为最后的输出结果。 5.4 TNT模型位置编码
实验证明内外Transormer都进行位置编码效果更好。 5.5 TNT效果
上方是DeiT就当作是VIT把下面是TNT。 显而易见TNT特征提取得更鲜明效果更好更细腻。
右图可见TNT点更发散些说明特征更发散些更好区分。
