提示：文章写完后               ，目录可以自动生成  
 
  
 
  
 
  
 
  
 
  
 
  
 
  
，如何生成可参考右边的帮助文档

文章目录

前言

一
  
  
  
  
  
  
  
 、ViT原理图

二 
  
  
  
  
  
  
  、算法实现过程

三  


 


 


 


 


 


 


 

、ViT-B/16结构详图

四
 
 
 
 
 
 
 
、ViT-B/16预训练权重简析

总结

前言

ViT (Vision Transformer) 是首次成功将 Transformer引入到视觉领域的尝试














，开辟了视觉Transformer的先河               。这里先对ViT的原理进行阐述
  
  
  
  
  
  
  
 ，并对预训练文件ViT-B_16.npz的内容做一个简要介绍  
 
  
 
  
 
  
 
  
 
  
 
  
 
  
。

一  
   
   
   
   
   
   
   、ViT原理图

ViT (Vision Transformer) 是首次成功将 Transformer引入到视觉领域的尝试  
  
  
  
  
  
  
 ，开辟了视觉Transformer的先河














。其原理如图1所示
  
  
  
  
  
  
  
 。

图1 ViT原理图 

如图1所示
 


 


 


 


 


 


 


 
，ViT将一张图片拆分成9个patch
 
 
 
 
 
 
 
，增加一个用于分类的patch（星号）   
   
   
   
   
   
   
  ，图中的数字0,1,2
 

 

 

 

 

 

 

 
，…

 

 

 

 

 

 

 
，8,9用于记录图片的位置信息  
  
  
  
  
  
  
 。

图片分类中通常不需要解码器模块                ，所以这里只需关注编码器部分
 
 

 
 

 
 

 
 

 
 

 
 

 
 

 
，其中主要包括：位置编码模块Positional Encoding 

 

 

 

 

 

 

 
、多头自注意力模块Muti-Head Attention

 

 

 

 

 

 

 

、前向网络模块 Feed Forward (MLP) 以及必要的Norm               、Dropout 和残差模块等
 


 


 


 


 


 


 


 
。各模快的功能简介如下：

 （1）位置编码模块Positional Encoding：用于给输入的序列增加额外的位置信息
 
 
 
 
 
 
 
。

 （2）多头自注意力模块 Muti-Head Attention：用于计算全局空间注意力   
   
   
   
   
   
   
  。

 （3）前向网络模块 Feed Forward（MLP）：用于对通道维度信息进行混合
 

 

 

 

 

 

 

 
。

 （4）Norm 
 

 
 

 
 

 
 

 
 

 
 

 
 

 
 、Dropout 和残差模块：提供了更好的收敛速度和性能

 

 

 

 

 

 

 
。

二















、算法实现过程

2.1 实现过程

首先














，将图片分成无重叠的固定大小 Patch (例如16x16)                       ，然后将每个 Patch 拉成一维向量 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
，n个Patch相当于NLP中的输入序列长度                。假设输入图片是 224x224x3






















，每个 patch大小是16x16               ，则n是(224/16)2 =196
 
 

 
 

 
 

 
 

 
 

 
 

 
 

 
。而一维向量长度等价于词向量编码长度  
 
  
 
  
 
  
 
  
 
  
 
  
 
  
，等于(图片通道数3)x(patch的大小)= 3 x16 x 16=768, 即每个序列的向量长度是768)














。

其次














，考虑到一维向量维度较大（196）
  
  
  
  
  
  
  
 ，需要将拉伸后的 Patch序列经过线性投影 ( nn.Linear ) 压缩维度（本模型未压缩维度）  
  
  
  
  
  
  
 ，同时也可以实现特征变换功能
 


 


 


 


 


 


 


 
，这两个步骤可以称为图片 Token化过程 (Patch Embedding)                       。为了方便后续分类
 
 
 
 
 
 
 
，还额外引入一个可学习的 Class Token   
   
   
   
   
   
   
  ，该 Token 插入到图片 token 化后所得序列的开始位置 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
。

然后
 

 

 

 

 

 

 

 
，将上述序列加上可学习的位置编码并输入到 N个串行的 Transformer 编码器中进行全局注意力计算和特征提取

 

 

 

 

 

 

 
，其中内部的多头自注意模块用于进行 Patch间或者序列间特征提取                ，而后面的 Feed Forward (Linear+ GELU+Dropout+ Linear+ Dropout) 模块对每个Patch或者序列进行特征变换






















。

最后
 
 

 
 

 
 

 
 

 
 

 
 

 
 

 
，将最后一个Transformer编码器输出序列的第0位置( Class Token位置对应输出)提取出来














，后面接MLP分类后                       ，然后正常分类即可               。

2.2 实现过程的张量维度变化

对于标准的Transformer模型 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
，要求输入的应该是token（向量）序列






















，即二维矩阵[num_token, token_dim]  
 
  
 
  
 
  
 
  
 
  
 
  
 
  
。其中               ，num_token表示token长度  
 
  
 
  
 
  
 
  
 
  
 
  
 
  
，如前述的196














，token_dim表示每个token的编码成度
  
  
  
  
  
  
  
 ，也叫embedding长度  
  
  
  
  
  
  
 ，如前述的768














。

在代码实现中
 


 


 


 


 


 


 


 
，直接通过一个二维卷积层实现
 
 
 
 
 
 
 
，如本模型ViT-B/16,使用卷积核大小16 x16   
   
   
   
   
   
   
  ，stride为16
 

 

 

 

 

 

 

 
，卷积核个数为768,然后展平变成二维张量
  
  
  
  
  
  
  
 。计算过程的维度变化如下：

[224,224,3] -> [14,14,768]-> [196,768]

在输入Transformer Encoder之前

 

 

 

 

 

 

 
，需要加上[class] token以及位置编码position embedding                ，两者都是可训练参数  
  
  
  
  
  
  
 。在patch token序列上拼接class token
 
 

 
 

 
 

 
 

 
 

 
 

 
 

 
，然后加上位置编码














，计算过程及维度变化如下：

拼接[class] token：cat ([1,768], [196,768] ) à [197,768]

叠加Position Embedding：[196,768] à [197,768]

然后                       ，这个叠加后的数据就可以输入Transformer Encoder层进行自注意力计算和特征提取
 


 


 


 


 


 


 


 
。 

三                       、ViT-B/16结构详图

3.1 模型整体结构图

Vit-B/16模型的结构如图2所示 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
，右侧的运算紧接左侧进行
 
 
 
 
 
 
 
。注：Transformer Encoder 前有一个Dropout层






















，后有一个Layer Norm层   
   
   
   
   
   
   
  。训练自己的网络时               ，可简单将MLP Head层看作一个全连接层
 

 

 

 

 

 

 

 
。

图2 Vit-B/16模型结构图

3.2 模型结构详图

模型结构包括了两个主要部分  
 
  
 
  
 
  
 
  
 
  
 
  
 
  
，即Encoder Block和MLP Block

 

 

 

 

 

 

 
。

（1）Encoder Block结构

Encoder Block结构中














，接收经过Position Embedding叠加后的Patch Embedding张量
  
  
  
  
  
  
  
 ，先后执行两个带残差处理的模块                。第一模块中  
  
  
  
  
  
  
 ，经过Layer Normalization -> Multi head Attention -> Dropout
 


 


 


 


 


 


 


 
，并进行残差处理
 
 

 
 

 
 

 
 

 
 

 
 

 
 

 
。第二部分
 
 
 
 
 
 
 
，经过Layer Normalization -> MLP Block -> Dropout   
   
   
   
   
   
   
  ，并进行残差处理














。处理后的张量维度不变
 

 

 

 

 

 

 

 
，也为[197, 768]                       。

图3 Encoder Block结构

（2）MLP Block结构

MLP Block模快含有两层Feed Forward Network

 

 

 

 

 

 

 
，具体包含Linear 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 、激活函数GELU






















、Dropout               、Linear 
 
  
 
  
 
  
 
  
 
  
 
  
 
  
 、Dropout等子模块                ，完成每个Patch或者序列的特征变换 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
。

图4 MLP Block结构图

四














、ViT-B/16预训练权重简析

ViT-B/16的预训练权重ViT-B_16.npz
 
 

 
 

 
 

 
 

 
 

 
 

 
 

 
，这是一个numpy数组的压缩文件














，可用numpy.load函数打开






















。

   import numpy as np

    vitfile = np.load(‘ViT-B_16.npz’)

    vitfile.files     #显示权重文件包含了数组名

    vitfile[‘cls’]    #查看数组cls的内容                       ，cls为Numpy数组名

    vitfile[‘cls’].shape   #查看数组cls的维度

权重文件结构：

如前所示 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
，ViT-B/16包括了位置编码模块Positional Encoding
  
  
  
  
  
  
  
 、多头自注意力模块Muti-Head Attention 
  
  
  
  
  
  
  、前向网络模块 Feed Forward 以及必要的Norm 


 


 


 


 


 


 


 

、Dropout和残差模块               。其中






















，ViT-B/16网络的Transformer Encoder堆叠了12层（L=12）Encoder               ，即有12个Encoder Block  
 
  
 
  
 
  
 
  
 
  
 
  
 
  
。因此  
 
  
 
  
 
  
 
  
 
  
 
  
 
  
，权重文件数组名及其维度如下：

（1）图像Patch Embedding

embedding/bias    #embedding偏置














，维度(768,)

embedding/kernel  #embedding权重
  
  
  
  
  
  
  
 ，维度(16,16,3,768,)—kernel size  
  
  
  
  
  
  
 ，stride
 


 


 


 


 


 


 


 
，in-channel
 
 
 
 
 
 
 
，out-channel














。权重数据在方框中的模块中
  
  
  
  
  
  
  
 。

（2）分类Token（Class Token）

cls    #分类Token   
   
   
   
   
   
   
  ，维度为(1, 1, 768)

 （3）位置编码

Transformer/posembed_input/pos_embedding  #位置编码, 维度为(1, 577, 768)   
  
  
  
  
  
  
 。代码中会调整至(1, 197, 768)
 


 


 


 


 


 


 


 
。

 （4）Transformer Encoder模快

由于ViT-B/16的Transformer Encoder共有12个Encoder Block
 

 

 

 

 

 

 

 
，序号为0-11

 

 

 

 

 

 

 
，其结构相同                ，这里以第0个Encoder Block权重为例介绍
 
 
 
 
 
 
 
。（#号后数字是维度信息）

   Transformer/encoderblock_0/LayerNorm_0/bias   # (768,)

   Transformer/encoderblock_0/LayerNorm_0/scale  # (768,)

   Transformer/encoderblock_0/LayerNorm_2/bias   # (768,) 

   Transformer/encoderblock_0/LayerNorm_2/scale  # (768,)

   Transformer/encoderblock_0/MlpBlock_3/Dense_0/bias    # (3072,)

   Transformer/encoderblock_0/MlpBlock_3/Dense_0/kernel  # (768, 3072)

   Transformer/encoderblock_0/MlpBlock_3/Dense_1/bias    # (768,)

   Transformer/encoderblock_0/MlpBlock_3/Dense_1/kernel  # (3072, 768)

   Transformer/encoderblock_0/MultiHeadDotProductAttention_1/key/bias   # (12, 64)

   Transformer/encoderblock_0/MultiHeadDotProductAttention_1/key/kernel  # (768, 12, 64)

   Transformer/encoderblock_0/MultiHeadDotProductAttention_1/out/bias  # (768,)

   Transformer/encoderblock_0/MultiHeadDotProductAttention_1/out/kernel  #(12, 64, 768)

   Transformer/encoderblock_0/MultiHeadDotProductAttention_1/query/bias  # (12, 64)

   Transformer/encoderblock_0/MultiHeadDotProductAttention_1/query/kernel  #(768, 12, 64)

   Transformer/encoderblock_0/MultiHeadDotProductAttention_1/value/bias  #(12, 64)

   Transformer/encoderblock_0/MultiHeadDotProductAttention_1/value/kernel  #(768, 12, 64)

（5）Transformer Encoder之后的Layer Norm层

Transformer/encoder_norm/bias, 维度：(768,)

Transformer/encoder_norm/scale, 维度：(768,)

（6）MLP Head模块

head/bias,   #分类头偏置
 
 

 
 

 
 

 
 

 
 

 
 

 
 

 
，维度：(1000,)

head/kernel  #分类头权重














，维度：(768, 1000)                       ，分类数为1000.

总结

本文仅仅简单介绍了Transformer Vision的基本原理 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
，并对ViT-B/16 网络结构和权重数据进行了简单介绍   
   
   
   
   
   
   
  。

参考文献：

Transformer Vision（二）|| ViT-B/16 网络结构_Anthony_CH的博客-CSDN博客

https://arxiv.org/abs/2010.11929