当前位置： 首页 > news >正文

房地产的设计网站建设,网站制作工具有哪些,网站数据库出问题,国内网站设计公司简介 主页#xff1a;https://github. com/microsoft/Swin-Transformer. Swin Transformer 是 2021 ICCV最佳论文#xff0c;屠榜了各大CV任务#xff0c;性能优于DeiT、ViT和EfficientNet等主干网络#xff0c;已经替代经典的CNN架构#xff0c;成为了计算机视觉领域通用…简介 主页https://github. com/microsoft/Swin-Transformer. Swin Transformer 是 2021 ICCV最佳论文屠榜了各大CV任务性能优于DeiT、ViT和EfficientNet等主干网络已经替代经典的CNN架构成为了计算机视觉领域通用的backbone。 Swin Transformer 基于了ViT模型的思想创新性的引入了滑动窗口机制让模型能够学习到跨窗口的信息同时也。同时通过下采样层使得模型能够处理超分辨率的图片节省计算量以及能够关注全局和局部的信息 ViT 开启了transformer在视觉领域的征途但是transformer从自然语言领域应用到计算机视觉领域还有两大挑战 视觉实体的方差较大例如同一个物体拍摄角度不同转化为二进制后的图片就会具有很大的差异。同时在不同场景下视觉 Transformer 性能未必很好。图像分辨率高像素点多如果采用ViT模型自注意力的计算量会与像素的平方成正比。 针对上述两个问题论文中提出了一种基于滑动窗口机制具有层级设计下采样层 的 Swin Transformer。 其中滑窗操作包括不重叠的 local window和重叠的 cross-window。将注意力计算限制在一个窗口window size固定中一方面能引入 CNN 卷积操作的局部性另一方面能大幅度节省计算量它只和窗口数量成线性关系。 通过下采样的层级设计能够逐渐增大感受野从而使得注意力机制也能够注意到全局的特征 从上图可知Swin Transformer 思想是实现 ViT 到类似卷积模式的转变这样的结构模式能适用于各类视觉任务真正成为视觉领域通用的backbone。 实现原理 模型整体采取了层次化的设计 在输入开始的时候做了一个Patch Partition即ViT中的Patch Embedding操作通过Patch_size为4的卷积层将图片切成一个个Patch并嵌入到Embedding将embedding_size 转变为48可以将 CV 中图片的通道数理解为NLP中token的词嵌入长度第一行Stage中通过Linear Embedding 调整通道数为 C在后3个Stage均由Patch Merging 和 多个 Swin Transformer Block组成Patch Merging 模块主要在每个Stage一开始降低图片分辨率进行下采样操作Swin Transformer Block如上图右边所示主要是LayerNormWindow AttentionShifted Window Attention和MLP组成 Patch Merging 总是在两个Swin Transformer Block之间执行下采样最后一个Stage不需要下采样操作之间通过后续的全连接层与 target label 计算损失。 class SwinTransformer(nn.Module):r Swin TransformerA PyTorch impl of : Swin Transformer: Hierarchical Vision Transformer using Shifted Windows -https://arxiv.org/pdf/2103.14030Args:img_size (int | tuple(int)): Input image size. Default 224patch_size (int | tuple(int)): Patch size. Default: 4in_chans (int): Number of input image channels. Default: 3num_classes (int): Number of classes for classification head. Default: 1000embed_dim (int): Patch embedding dimension. Default: 96depths (tuple(int)): Depth of each Swin Transformer layer.num_heads (tuple(int)): Number of attention heads in different layers.window_size (int): Window size. Default: 7mlp_ratio (float): Ratio of mlp hidden dim to embedding dim. Default: 4qkv_bias (bool): If True, add a learnable bias to query, key, value. Default: Trueqk_scale (float): Override default qk scale of head_dim ** -0.5 if set. Default: Nonedrop_rate (float): Dropout rate. Default: 0attn_drop_rate (float): Attention dropout rate. Default: 0drop_path_rate (float): Stochastic depth rate. Default: 0.1norm_layer (nn.Module): Normalization layer. Default: nn.LayerNorm.ape (bool): If True, add absolute position embedding to the patch embedding. Default: Falsepatch_norm (bool): If True, add normalization after patch embedding. Default: Trueuse_checkpoint (bool): Whether to use checkpointing to save memory. Default: Falsefused_window_process (bool, optional): If True, use one kernel to fused window shift window partition for acceleration, similar for the reversed part. Default: Falsedef init(self, img_size224, patch_size4, in_chans3, num_classes1000,embed_dim96, depths[2, 2, 6, 2], num_heads[3, 6, 12, 24],window_size7, mlp_ratio4., qkv_biasTrue, qk_scaleNone,drop_rate0., attn_drop_rate0., drop_path_rate0.1,norm_layernn.LayerNorm, apeFalse, patch_normTrue,use_checkpointFalse, fused_window_processFalse, **kwargs):super().init()self.num_classes num_classesself.num_layers len(depths)self.embed_dim embed_dimself.ape apeself.patch_norm patch_normself.num_features int(embed_dim * 2 ** (self.num_layers - 1))self.mlp_ratio mlp_ratio# split image into non-overlapping patchesself.patch_embed PatchEmbed(img_sizeimg_size, patch_sizepatch_size, in_chansin_chans, embed_dimembed_dim,norm_layernorm_layer if self.patch_norm else None)num_patches self.patch_embed.num_patchespatches_resolution self.patch_embed.patches_resolutionself.patches_resolution patches_resolution# absolute position embeddingif self.ape:self.absolute_pos_embed nn.Parameter(torch.zeros(1, num_patches, embed_dim))truncnormal(self.absolute_pos_embed, std.02)self.pos_drop nn.Dropout(pdrop_rate)# stochastic depthdpr [x.item() for x in torch.linspace(0, drop_path_rate, sum(depths))] # stochastic depth decay rule# build layersself.layers nn.ModuleList()for i_layer in range(self.num_layers):layer BasicLayer(dimint(embed_dim * 2 ** i_layer),input_resolution(patches_resolution[0] // (2 ** i_layer),patches_resolution[1] // (2 ** i_layer)),depthdepths[i_layer],num_headsnum_heads[i_layer],window_sizewindow_size,mlp_ratioself.mlp_ratio,qkv_biasqkv_bias, qk_scaleqk_scale,dropdrop_rate, attn_dropattn_drop_rate,drop_pathdpr[sum(depths[:i_layer]):sum(depths[:i_layer 1])],norm_layernorm_layer,downsamplePatchMerging if (i_layer self.num_layers - 1) else None,use_checkpointuse_checkpoint,fused_window_processfused_window_process)self.layers.append(layer)self.norm norm_layer(self.num_features)self.avgpool nn.AdaptiveAvgPool1d(1)self.head nn.Linear(self.num_features, num_classes) if num_classes 0 else nn.Identity()self.apply(self._init_weights)def _init_weights(self, m):if isinstance(m, nn.Linear):truncnormal(m.weight, std.02)if isinstance(m, nn.Linear) and m.bias is not None:nn.init.constant(m.bias, 0)elif isinstance(m, nn.LayerNorm):nn.init.constant(m.bias, 0)nn.init.constant_(m.weight, 1.0)def forward_features(self, x):x self.patch_embed(x)if self.ape:x x self.absolute_pos_embedx self.pos_drop(x)for layer in self.layers:x layer(x)x self.norm(x) # B L Cx self.avgpool(x.transpose(1, 2)) # B C 1x torch.flatten(x, 1)return xdef forward(self, x):x self.forward_features(x)x self.head(x)return xdef flops(self):flops 0flops self.patch_embed.flops()for i, layer in enumerate(self.layers):flops layer.flops()flops self.num_features * self.patches_resolution[0] * self.patches_resolution[1] // (2 ** self.num_layers)flops self.num_features * self.num_classesreturn flops ViT 在输入会给 embedding 进行位置编码。而 Swin-T 这里则是作为一个可选项self.apeSwin-T 是在计算 Attention 的时候做了一个相对位置编码我认为这是这篇论文设计最巧妙的地方。ViT 会单独加上一个可学习参数作为分类的 token。而 Swin-T 则是直接做平均avgpool输出分类有点类似 CNN 最后的全局平均池化层。 Patch Embedding 在进入 Block 前需要将图片切分成多个 patch然后嵌入向量具体做法是对原始图片裁成多个 window_size * window_size 的窗口大小然后进行嵌入。即通过二维卷积层设置 stride kernel_size window_size设定输出通道来确定嵌入向量的大小。最后将 H,W 维度展开并移动到第一维度。
class PatchEmbed(nn.Module):r Image to Patch EmbeddingArgs:img_size (int): Image size. Default: 224.patch_size (int): Patch token size. Default: 4.in_chans (int): Number of input image channels. Default: 3.embed_dim (int): Number of linear projection output channels. Default: 96.norm_layer (nn.Module, optional): Normalization layer. Default: Nonedef init(self, img_size224, patch_size4, in_chans3, embed_dim96, norm_layerNone):super().init()img_size to_2tuple(img_size)patch_size to_2tuple(patch_size)patches_resolution [img_size[0] // patch_size[0], img_size[1] // patch_size[1]]self.img_size img_sizeself.patch_size patch_sizeself.patches_resolution patches_resolutionself.num_patches patches_resolution[0] * patches_resolution[1]self.in_chans in_chansself.embed_dim embed_dimself.proj nn.Conv2d(in_chans, embed_dim, kernel_sizepatch_size, stridepatch_size)if norm_layer is not None:self.norm norm_layer(embed_dim)else:self.norm Nonedef forward(self, x):B, C, H, W x.shape# FIXME look at relaxing size constraintsassert H self.img_size[0] and W self.img_size[1], \fInput image size ({H}{W}) doesnt match model ({self.img_size[0]}{self.img_size[1]}).x self.proj(x).flatten(2).transpose(1, 2) # B Ph*Pw Cif self.norm is not None:x self.norm(x)return xdef flops(self):Ho, Wo self.patches_resolutionflops Ho * Wo * self.embed_dim * self.in_chans * (self.patch_size[0] * self.patch_size[1])if self.norm is not None:flops Ho * Wo * self.embed_dimreturn flopsPatch Merging 在每个 Stage 开始前做降采样用于缩小分辨率调整通道数进而形成层次化的设计同时也能节省一定运算量。 在 CNN 中则是在每个 Stage 开始前用stride2的卷积/池化层来降低分辨率。 每次降采样是两倍因此在行方向和列方向上间隔 2 选取元素。 然后拼接在一起作为一整个张量最后展开。此时通道维度会变成原先的 4 倍因为 H,W 各缩小 2 倍此时再通过一个全连接层再调整通道维度为原来的两倍。
class PatchMerging(nn.Module):r Patch Merging Layer.Args:input_resolution (tuple[int]): Resolution of input feature.dim (int): Number of input channels.norm_layer (nn.Module, optional): Normalization layer. Default: nn.LayerNormdef init(self, input_resolution, dim, norm_layernn.LayerNorm):super().init()self.input_resolution input_resolutionself.dim dimself.reduction nn.Linear(4 * dim, 2 * dim, biasFalse)self.norm norm_layer(4 * dim)def forward(self, x):x: B, H*W, CH, W self.input_resolutionB, L, C x.shapeassert L H * W, input feature has wrong sizeassert H % 2 0 and W % 2 0, fx size ({H}*{W}) are not even.x x.view(B, H, W, C)x0 x[:, 0::2, 0::2, :] # B H/2 W/2 Cx1 x[:, 1::2, 0::2, :] # B H/2 W/2 Cx2 x[:, 0::2, 1::2, :] # B H/2 W/2 Cx3 x[:, 1::2, 1::2, :] # B H/2 W/2 Cx torch.cat([x0, x1, x2, x3], -1) # B H/2 W/2 4*Cx x.view(B, -1, 4 * C) # B H/2*W/2 4*Cx self.norm(x)x self.reduction(x)return xdef extra_repr(self) - str:return finput_resolution{self.input_resolution}, dim{self.dim}def flops(self):H, W self.input_resolutionflops H * W * self.dimflops (H // 2) * (W // 2) * 4 * self.dim * 2 * self.dimreturn flopsWindow Partition/Reverse window partition函数是用于对张量划分窗口指定窗口大小。将原本的张量从 N H W C, 划分成 num_windowsB, window_size, window_size, C其中 num_windows HW / window_size*window_size即窗口的个数。而window reverse函数则是对应的逆过程。这两个函数会在后面的Window Attention用到。
def window_partition(x, window_size):Args:x: (B, H, W, C)window_size (int): window sizeReturns:windows: (num_windows*B, window_size, window_size, C)B, H, W, C x.shapex x.view(B, H // window_size, window_size, W // window_size, window_size, C)windows x.permute(0, 1, 3, 2, 4, 5).contiguous().view(-1, window_size, window_size, C)return windowsdef window_reverse(windows, window_size, H, W):Args:windows: (num_windows*B, window_size, window_size, C)window_size (int): Window sizeH (int): Height of imageW (int): Width of imageReturns:x: (B, H, W, C)B int(windows.shape[0] / (H * W / window_size / window_size))x windows.view(B, H // window_size, W // window_size, window_size, window_size, -1)x x.permute(0, 1, 3, 2, 4, 5).contiguous().view(B, H, W, -1)return xWindow Attention 传统的 Transformer 都是基于全局来计算注意力的因此计算复杂度十分高。而 Swin Transformer 则将注意力的计算限制在每个窗口内进而减少了计算量。 主要区别是在原始计算 Attention 的公式中的 Q,K 时加入了相对位置编码 B
class WindowAttention(nn.Module):r Window based multi-head self attention (W-MSA) module with relative position bias.It supports both of shifted and non-shifted window.Args:dim (int): Number of input channels.window_size (tuple[int]): The height and width of the window.num_heads (int): Number of attention heads.qkv_bias (bool, optional): If True, add a learnable bias to query, key, value. Default: Trueqk_scale (float | None, optional): Override default qk scale of head_dim ** -0.5 if setattn_drop (float, optional): Dropout ratio of attention weight. Default: 0.0proj_drop (float, optional): Dropout ratio of output. Default: 0.0def init(self, dim, window_size, num_heads, qkv_biasTrue, qk_scaleNone, attn_drop0., proj_drop0.):super().init()self.dim dimself.window_size window_size # Wh, Wwself.num_heads num_headshead_dim dim // num_headsself.scale qk_scale or head_dim ** -0.5# define a parameter table of relative position biasself.relative_position_bias_table nn.Parameter(torch.zeros((2 * window_size[0] - 1) * (2 * window_size[1] - 1), num_heads)) # 2*Wh-1 * 2*Ww-1, nH# get pair-wise relative position index for each token inside the windowcoords_h torch.arange(self.window_size[0])coords_w torch.arange(self.window_size[1])coords torch.stack(torch.meshgrid([coords_h, coords_w])) # 2, Wh, Wwcoords_flatten torch.flatten(coords, 1) # 2, Wh*Wwrelative_coords coords_flatten[:, :, None] - coords_flatten[:, None, :] # 2, Wh*Ww, Wh*Wwrelative_coords relative_coords.permute(1, 2, 0).contiguous() # Wh*Ww, Wh*Ww, 2relative_coords[:, :, 0] self.window_size[0] - 1 # shift to start from 0relative_coords[:, :, 1] self.window_size[1] - 1relative_coords[:, :, 0] * 2 * self.window_size[1] - 1relative_position_index relative_coords.sum(-1) # Wh*Ww, Wh*Wwself.register_buffer(relative_position_index, relative_position_index)self.qkv nn.Linear(dim, dim * 3, biasqkv_bias)self.attn_drop nn.Dropout(attn_drop)self.proj nn.Linear(dim, dim)self.proj_drop nn.Dropout(proj_drop)truncnormal(self.relative_position_bias_table, std.02)self.softmax nn.Softmax(dim-1)相关位置编码 Q,K,V.shape[numWindwosB, num_heads, window_sizewindow_size, head_dim] window_sizewindow_size 即 NLP 中token的个数 head_dim Embeddingdimnumheads\frac{Embedding_dim}{num_heads}numh​eadsEmbeddingd​im​即 NLP 中token的词嵌入向量的维度 QKTQK^TQKT计算出来的Attention张量的形状为[numWindowsB, num_heads, Q_tokens, K_tokens]其中Q_tokensK_tokenswindow_sizewindow_size 以 window_size 2 为例 第 i 行表示第 i 个 token 的query对所有token的key的attention。 对于 Attention 张量来说以不同元素为原点其他元素的坐标也是不同的 由于最终我们希望使用一维的位置坐标 xy 代替二维的位置坐标(x,y)为了避免 (1,2) (2,1) 两个坐标转为一维时均为3我们之后对相对位置索引进行了一些线性变换使得能通过一维的位置坐标唯一映射到一个二维的位置坐标详细可以通过代码部分进行理解。 利用torch.arange和torch.meshgrid函数生成对应的坐标 coords_h torch.arange(self.window_size[0]) coords_w torch.arange(self.window_size[1]) coords torch.stack(torch.meshgrid([coords_h, coords_w])) # 2(wh, ww) (tensor([[0, 0],[1, 1]]), tensor([[0, 1],[0, 1]]))# 堆叠起来展开为一个二维向量 coords torch.stack(coords) # 2, Wh, Ww coords_flatten torch.flatten(coords, 1) # 2, Wh*Wwtensor([[0, 0, 1, 1],[0, 1, 0, 1]])

利用广播机制分别在第一维第二维插入一个维度进行广播相减得到 2, wh*ww, wh*ww的张量

relative_coords_first coords_flatten[:, :, None] # 2, wh*ww, 1 relative_coords_second coords_flatten[:, None, :] # 2, 1, wh*ww relative_coords relative_coords_first - relative_coords_second # 最终得到 2, wh*ww, wh*ww 形状的张量因为采取的是相减所以得到的索引是从负数开始的加上偏移量让其从 0 开始。 relative_coords relative_coords.permute(1, 2, 0).contiguous() # Wh*Ww, Wh*Ww, 2 relative_coords[:, :, 0] self.window_size[0] - 1 relative_coords[:, :, 1] self.window_size[1] - 1需要将其展开成一维偏移量。而对于 (12和21这两个坐标。在二维上是不同的但是通过将 x,y 坐标相加转换为一维偏移的时候他的偏移量是相等的。 对其中做了个乘法操作以进行区分 relative_coords[:, :, 0] * 2 * self.window_size[1] - 1然后再最后一维上进行求和展开成一个一维坐标并注册为一个不参与网络学习的变量 relative_position_index relative_coords.sum(-1) # Wh*Ww, Wh*Ww self.register_buffer(relative_position_index, relative_position_index)之前计算的是相对位置索引并不是相对位置偏置参数。真正使用到的可训练参数β^\hat{\beta}β^​是保存在 relative position bias table 表里的这个表的长度是等于 (2M−1) × (2M−1) (在二维位置坐标中线性变化乘以2M-1导致)的。那么上述公式中的相对位置偏执参数 B是根据上面的相对位置索引表根据查relative position bias table表得到的。 接着Window Attention代码 def forward(self, x, maskNone):Args:x: input features with shape of (num_windows*B, N, C)mask: (0/-inf) mask with shape of (numwindows, Wh*Ww, Wh*Ww) or NoneB, N, C x.shapeqkv self.qkv(x).reshape(B_, N, 3, self.num_heads, C // self.num_heads).permute(2, 0, 3, 1, 4)q, k, v qkv[0], qkv[1], qkv[2] # make torchscript happy (cannot use tensor as tuple)q q * self.scaleattn (q k.transpose(-2, -1))relative_position_bias self.relative_position_bias_table[self.relative_position_index.view(-1)].view(self.window_size[0] * self.window_size[1], self.window_size[0] * self.window_size[1], -1) # Wh*Ww,Wh*Ww,nHrelative_position_bias relative_position_bias.permute(2, 0, 1).contiguous() # nH, Wh*Ww, Wh*Wwattn attn relative_positionbias.unsqueeze(0)if mask is not None:nW mask.shape[0]attn attn.view(B // nW, nW, self.num_heads, N, N) mask.unsqueeze(1).unsqueeze(0)attn attn.view(-1, self.num_heads, N, N)attn self.softmax(attn)else:attn self.softmax(attn)attn self.attndrop(attn)x (attn v).transpose(1, 2).reshape(B, N, C)x self.proj(x)x self.proj_drop(x)return xdef extra_repr(self) - str:return fdim{self.dim}, window_size{self.window_size}, num_heads{self.num_heads}def flops(self, N):# calculate flops for 1 window with token length of Nflops 0# qkv self.qkv(x)flops N * self.dim * 3 * self.dim# attn (q k.transpose(-2, -1))flops self.num_heads * N * (self.dim // self.num_heads) * N# x (attn v)flops self.num_heads * N * N * (self.dim // self.num_heads)# x self.proj(x)flops N * self.dim * self.dimreturn flops 首先输入张量形状为 [numWindows*B, window_size * window_size, C]然后经过self.qkv这个全连接层后进行 reshape调整轴的顺序得到形状为[3, numWindowsB, num_heads, window_sizewindow_size, c//num_heads]并分配给q,k,v根据公式我们对q乘以一个scale缩放系数然后与k为了满足矩阵乘要求需要将最后两个维度调换进行相乘。得到形状为[numWindowsB,num_heads, window_sizewindow_size, window_size*window_size]的attn张量之前我们针对位置编码设置了个形状为(2window_size-12window_size-1,numHeads)的可学习变量。我们用计算得到的相对编码位置索引self.relative_position_index.vew(-1)选取得到形状为(window_sizewindow_size,window_size*window_size, numHeads)的编码再permute(2,0,1)后加到attn张量上暂不考虑 mask 的情况剩下就是跟 transformer 一样的 softmaxdropout与V矩阵乘再经过一层全连接层和dropout Shifted Window Attention Window Attention 是在每个窗口下计算注意力的为了更好的和其他 window 进行信息交互Swin Transformer 还引入了 shifted window 操作。 左边是没有重叠的 Window Attention而右边则是将窗口进行移位的 Shift Window Attention。可以看到移位后的窗口包含了原本相邻窗口的元素。但这也引入了一个新问题即 window 的个数翻倍了由原本四个窗口变成了 9 个窗口。 在实际代码里我们是通过对特征图移位并给 Attention 设置 mask 来间接实现的。能在保持原有的 window 个数下最后的计算结果等价。 Shifted Window step 代码里对特征图移位是通过 torch.roll 来实现的 torch.roll(input, shifts, dimsNone) → Tensor shifts的值为正数相当于向下挤牙膏挤出的牙膏又从顶部塞回牙膏里面shifts的值为负数相当于向上挤牙膏挤出的牙膏又从底部塞回牙膏里面 以 4x4 矩阵 a 为例 a 矩阵中的 1 代表 A 区域 234 代表 C 区域 5913 代表 B区域首先将第一行挤到最后一行如下图矩阵 b 然后再将第一列挤到最后一列如下图矩阵 b 如果需要reverse cyclic shift的话只需把参数shifts设置为对应的正数值 Attention Mask 通过 roll 操作我们确实把9块归为了4块但是 cyclic shift 中A 从左上角 移动到了 右下角显然直接对 cyclic shift 4块进行计算会破坏原有的语义信息为此这里使用了 mask 操作。 上图展示 cyclic shift 后 特征图拿到 window后执行 QKTQK^TQKT 就是将Q KTK^TKT 分别展平然后对应元素相乘根据这一过程可以得到如上图所示不同 Windows 的 Mask-100的紫色区域表示遮掩紫色部分是不同块的运算结果应该丢弃 具体代码在 SwinTransformerBlock中 if self.shift_size 0:# calculate attention mask for SW-MSAH, W self.input_resolutionimg_mask torch.zeros((1, H, W, 1)) # 1 H W 1h_slices (slice(0, -self.window_size),slice(-self.window_size, -self.shift_size),slice(-self.shift_size, None))w_slices (slice(0, -self.window_size),slice(-self.window_size, -self.shift_size),slice(-self.shift_size, None))cnt 0for h in h_slices:for w in w_slices:img_mask[:, h, w, :] cntcnt 1mask_windows window_partition(img_mask, self.window_size) # nW, window_size, window_size, 1mask_windows mask_windows.view(-1, self.window_size * self.window_size)attn_mask mask_windows.unsqueeze(1) - mask_windows.unsqueeze(2)attn_mask attn_mask.masked_fill(attn_mask ! 0, float(-100.0)).masked_fill(attn_mask 0, float(0.0))else:attnmask None从上图代码中可以得到如下的Mask tensor([[[[[ 0., 0., 0., 0.],[ 0., 0., 0., 0.],[ 0., 0., 0., 0.],[ 0., 0., 0., 0.]]],[[[ 0., -100., 0., -100.],[-100., 0., -100., 0.],[ 0., -100., 0., -100.],[-100., 0., -100., 0.]]],[[[ 0., 0., -100., -100.],[ 0., 0., -100., -100.],[-100., -100., 0., 0.],[-100., -100., 0., 0.]]],[[[ 0., -100., -100., -100.],[-100., 0., -100., -100.],[-100., -100., 0., -100.],[-100., -100., -100., 0.]]]]])在上面的 window attention 模块的前向代码中使用mask掩膜 if mask is not None:nW mask.shape[0] # 一张图被分为多少个windows eg:[4,49,49]attn attn.view(B // nW, nW, self.num_heads, N, N) mask.unsqueeze(1).unsqueeze(0) # torch.Size([128, 4, 12, 49, 49]) torch.Size([1, 4, 1, 49, 49])attn attn.view(-1, self.num_heads, N, N)attn self.softmax(attn) else:attn self.softmax(attn)将 mask 加到 attention 的计算结果并进行 softmax。mask 的值设置为 - 100softmax 后就会忽略掉对应的值。 W-MSA和MSA的复杂度对比 在原论文中作者提出的基于滑动窗口操作的 W-MSA 能大幅度减少计算量。那么两者的计算量和算法复杂度大概是如何的呢论文中给出了一下两个公式进行对比。
hfeature map的高度wfeature map的宽度Cfeature map的通道数也可以称为embedding size的大小Mwindow_size的大小 MSA模块的计算量 首先对于feature map中每一个token一共有 h w 个token通道数为C记作Xhw×CX^{hw\times C}Xhw×C需要通过三次线性变换 Vq,Wk,WvV_q,W_k,W_vVq​,Wk​,Wv​ 产生对应的q,k,v向量记作 Qhw×C,Khw×C,Vhw×CQ^{hw \times C},K^{hw \times C},V^{hw \times C}Qhw×C,Khw×C,Vhw×C通道数为C。 根据矩阵运算的计算量公式可以得到运算量为 3hwC23hwC^23hwC2 忽略除以 d\sqrt{d}d​ 以及softmax的计算量根据根据矩阵运算的计算量公式可得 hwC×hwhw2×ChwC \times hw hw^2 \times ChwC×hwhw2×C,即2(hw2)C2(hw^2)C2(hw2)C 最终再通过一个Linear层输出计算量为 hwC2hwC^2hwC2。因此整体的计算量为 4hwC22(hw)2C4hwC^22(hw)^2C4hwC22(hw)2C W-MSA模块的计算量 对于W-MSA模块首先会将feature map根据window_size分成 hwM2\frac{hw}{M^2}M2hw​的窗口每个窗口的宽高均为 M然后在每个窗口进行MSA的运算。因此可以利用上面MSA的计算量公式将 h M, w M 带入可以得到一个窗口的计算量为 4M2C22M4C4M^2C^2 2M^4C4M2C22M4C又因为有 hwM2\frac{hw}{M^2}M2hw​个窗口
整体流程 文章来源https://zhuanlan.zhihu.com/p/430047908