Swin Transformer源码分析
swin transformer是什么这里就不在说明了,会点进来肯定是知道这个模型是做什么的。
直接看论文有些地方看的一知半解。这里直接从源码分析看下模型的具体实现
论文地址:https://arxiv.org/pdf/2103.14030v1.pdfhttps://arxiv.org/pdf/2103.14030v1.pdf
代码地址:https://github.com/microsoft/Swin-Transformerhttps://github.com/microsoft/Swin-Transformer
首先我们先看下模型结构对下面分析源码很有用处
首先图片 H * W * 3 经过一个 patch partition 缩小四倍 同道从 C 变成 48
后续在经过4个 Swin Transformer Block 但是这四个block由
SW-MSA -- W-MSA 循环构成 从b图就可以看出来
W-MSA 全称 window multi head self attention
SW-MSA 全称 shift window multi head self attention
下面进入源码分析
class SwinTransformer(nn.Module):def __init__(self, img_size=224, patch_size=4, in_chans=3, num_classes=1000,embed_dim=96, depths=[2, 2, 6, 2], num_heads=[3, 6, 12, 24],window_size=7, mlp_ratio=4., qkv_bias=True, qk_scale=None,drop_rate=0., attn_drop_rate=0., drop_path_rate=0.1,norm_layer=nn.LayerNorm, ape=False, patch_norm=True,use_checkpoint=False, **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 patches# 就是模型结构的 Patch Partition 图片变成 (B, H//4 * W//4, embed_dim)self.patch_embed = PatchEmbed(img_size=img_size, patch_size=patch_size, in_chans=in_chans, embed_dim=embed_dim,norm_layer=norm_layer if self.patch_norm else None)# 图像缩小4倍后的 patchers numnum_patches = self.patch_embed.num_patches# 图像缩小4倍后的尺寸patches_resolution = self.patch_embed.patches_resolutionself.patches_resolution = patches_resolution# absolute position embeddingif self.ape:# 生成绝对位置编码 num_patches = H//4 * W//4 和经过PatchEmbed后的图片尺寸一致# 对应网络结构中的 linear embedding 网络结构self.absolute_pos_embed = nn.Parameter(torch.zeros(1, num_patches, embed_dim))# 绝对位置编码参数初始化trunc_normal_(self.absolute_pos_embed, std=.02)# 添加dropoutself.pos_drop = nn.Dropout(p=drop_rate)# stochastic depth# 给网络层数每层设置随机dropout ratedpr = [x.item() for x in torch.linspace(0, drop_path_rate, sum(depths))] # stochastic depth decay rule# build layersself.layers = nn.ModuleList()# 构建四层 w-msa 网络结构# input_resolution 表示每层会缩小 2**i_layer 倍 与给出的模型结构图展示的图像大小缩小倍数对应# depth block 深度# num_heads 多头数量# window_size 窗口大小# mlp_ratio Ratio of mlp hidden dim to embedding dim.# drop_path dropout rate# downsample 下采样 前三个block 会进行下采样 第四个block 不会在进行下采样for i_layer in range(self.num_layers):layer = BasicLayer(dim=int(embed_dim * 2 ** i_layer),input_resolution=(patches_resolution[0] // (2 ** i_layer),patches_resolution[1] // (2 ** i_layer)),depth=depths[i_layer],num_heads=num_heads[i_layer],window_size=window_size,mlp_ratio=self.mlp_ratio,qkv_bias=qkv_bias, qk_scale=qk_scale,drop=drop_rate, attn_drop=attn_drop_rate,drop_path=dpr[sum(depths[:i_layer]):sum(depths[:i_layer + 1])],norm_layer=norm_layer,downsample=PatchMerging if (i_layer < self.num_layers - 1) else None,use_checkpoint=use_checkpoint)self.layers.append(layer)# 层归一化self.norm = norm_layer(self.num_features)# 平均池化self.avgpool = nn.AdaptiveAvgPool1d(1)# 网络输出self.head = nn.Linear(self.num_features, num_classes) if num_classes > 0 else nn.Identity()# 模型所以参数进行初始化self.apply(self._init_weights)def _init_weights(self, m):if isinstance(m, nn.Linear):trunc_normal_(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)@torch.jit.ignoredef no_weight_decay(self):return {'absolute_pos_embed'}@torch.jit.ignoredef no_weight_decay_keywords(self):return {'relative_position_bias_table'}def forward_features(self, x):# path_embed 就是模型结构的 Patch Partition 图片变成 (B, H//4 * W//4, embed_dim)x = self.patch_embed(x)# 是否使用绝对位置编码if self.ape:x = x + self.absolute_pos_embedx = self.pos_drop(x)# 经过4个 swin transformer blockfor layer in self.layers:x = layer(x)# 进行层归一化x = self.norm(x) # B L C# 平局池化x = self.avgpool(x.transpose(1, 2)) # B C 1# 在第二个维度展平x = torch.flatten(x, 1)return xdef forward(self, x):# 进行前向计算x = self.forward_features(x)# 模型最后输出用来进行分类 (b, c)x = self.head(x)return xdef flops(self):"""这个方法是用来计算模型性能的floating point operations per second"""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
从上面我们可以看出 网络结构和论文中给出的图基本差不多 但是从代码看图网络结构更像是下面红色划分
downsample=PatchMerging if (i_layer < self.num_layers - 1) else None
前三个block 会进行下采样 第四个block 不会在进行下采样 看上去更像是
4个 (block + patch merging)
然后分析下
PatchEmbed 和 PatchMerging
class PatchEmbed(nn.Module):def __init__(self, img_size=224, patch_size=4, in_chans=3, embed_dim=96, norm_layer=None):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_dim# 用一个卷积操作来实现图像缩小四倍 kernel_size = 4 stride = patch_sizeself.proj = nn.Conv2d(in_chans, embed_dim, kernel_size=patch_size, stride=patch_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], \f"Input image size ({H}*{W}) doesn't match model ({self.img_size[0]}*{self.img_size[1]})."# shape 变化 B, C, H, W --> B, C, h, w --> B, C, h * w --> B, h * w, cx = self.proj(x).flatten(2).transpose(1, 2) # B Ph*Pw C# 进行层归一化if self.norm is not None:x = self.norm(x)return x
实现就是用一个 kernel_size = 4 stride = patch_size 的卷积操作来实现
nn.Conv2d(in_chans, embed_dim, kernel_size=patch_size, stride=patch_size)
class PatchMerging(nn.Module):def __init__(self, input_resolution, dim, norm_layer=nn.LayerNorm):super().__init__()self.input_resolution = input_resolutionself.dim = dimself.reduction = nn.Linear(4 * dim, 2 * dim, bias=False)self.norm = norm_layer(4 * dim)def forward(self, x):"""x: B, H*W, C"""H, W = self.input_resolutionB, L, C = x.shapeassert L == H * W, "input feature has wrong size"assert H % 2 == 0 and W % 2 == 0, f"x size ({H}*{W}) are not even."x = x.view(B, H, W, C)# 这里实现path merging 图片缩小一半# 这里解释下 # 0::2 从 0 开始 隔一个点取一个值 # 1::2 从 1 开始 隔一个点取一个值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 C# 在通道维度进行拼接x = 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*C# 层归一化x = self.norm(x)# 降维到2 * dim 图片缩小一倍 通道维度增加一倍x = self.reduction(x)return x
可以从下面的表格看出 x0 x1 x2 x3 分别对应表格中 0 1 2 3 对应位置的点 最后在通道上合并 图片缩小一倍。
0 | 2 | 0 | 2 |
1 | 3 | 1 | 3 |
0 | 2 | 0 | 2 |
1 | 3 | 1 | 3 |
这里我们可以想一下 实现这种patch merge 方法有很多 比如 用2*2卷积来实现 、2*2平均池化等。 模型性能会提升还是降低?
接下来分析basic layer 层
class BasicLayer(nn.Module):def __init__(self, dim, input_resolution, depth, num_heads, window_size,mlp_ratio=4., qkv_bias=True, qk_scale=None, drop=0., attn_drop=0.,drop_path=0., norm_layer=nn.LayerNorm, downsample=None, use_checkpoint=False):super().__init__()self.dim = dim# 当前层的输入维度self.input_resolution = input_resolution# 当前层有多少个SwinTransformerBlockself.depth = depthself.use_checkpoint = use_checkpoint# build blocks# 构建深度为depth的block堆叠self.blocks = nn.ModuleList([# shift_size 需要注意下# 偶数个block是进行W-MSA 奇数进行SW-MSA # SW-MSA - W-MSA - SW-MSA - W-MSA 的循环# 这样让输出特征包含 local window attention 和 跨窗口的 window attentionSwinTransformerBlock(dim=dim, input_resolution=input_resolution,num_heads=num_heads, window_size=window_size,shift_size=0 if (i % 2 == 0) else window_size // 2,mlp_ratio=mlp_ratio,qkv_bias=qkv_bias, qk_scale=qk_scale,drop=drop, attn_drop=attn_drop,drop_path=drop_path[i] if isinstance(drop_path, list) else drop_path,norm_layer=norm_layer)for i in range(depth)])# patch merging layer# 是否进行 patch merging 前三个block 执行patch merging # 最后一个block 不会执行 patch merging if downsample is not None:self.downsample = downsample(input_resolution, dim=dim, norm_layer=norm_layer)else:self.downsample = Nonedef forward(self, x):# 进行前向传播for blk in self.blocks:if self.use_checkpoint:x = checkpoint.checkpoint(blk, x)else:x = blk(x)# 是否进行 patch merging if self.downsample is not None:x = self.downsample(x)return x
进入 SwinTransformerBlock 我们主要分析 SW-MSA 的实现 W-MSA的实现很简单就是简单的局部 window multi head self attention 熟悉 Bert 和 transformer模型的人肯定很清楚 qkv三个矩阵的计算公式。
class SwinTransformerBlock(nn.Module):def __init__(self, dim, input_resolution, num_heads, window_size=7, shift_size=0,mlp_ratio=4., qkv_bias=True, qk_scale=None, drop=0., attn_drop=0., drop_path=0.,act_layer=nn.GELU, norm_layer=nn.LayerNorm):super().__init__()self.dim = dimself.input_resolution = input_resolutionself.num_heads = num_heads# 默认大小 7self.window_size = window_size# 进行 SW-MSA shift-size 7//2=3# 进行 W-MSA shift-size 0self.shift_size = shift_size# multi self attention 最后神经网络的隐藏层的维度self.mlp_ratio = mlp_ratioif min(self.input_resolution) <= self.window_size:# if window size is larger than input resolution, we don't partition windows# 简单的判定 如果 最后图像缩小到比window size 还小 调整 window size 大小# 将 shift_size 赋值为 0 也就是说直接进行 W-MSAself.shift_size = 0self.window_size = min(self.input_resolution)assert 0 <= self.shift_size < self.window_size, "shift_size must in 0-window_size"# 层归一化self.norm1 = norm_layer(dim)# local window multi head self attentionself.attn = WindowAttention(dim, window_size=to_2tuple(self.window_size), num_heads=num_heads,qkv_bias=qkv_bias, qk_scale=qk_scale, attn_drop=attn_drop, proj_drop=drop)# dropout rateself.drop_path = DropPath(drop_path) if drop_path > 0. else nn.Identity()# 层归一化self.norm2 = norm_layer(dim)# 隐藏层维度增加的比率mlp_hidden_dim = int(dim * mlp_ratio)# 最后接一个多层感知机网络self.mlp = Mlp(in_features=dim, hidden_features=mlp_hidden_dim, act_layer=act_layer, drop=drop)# 可以看出 上面 结构是 layer normal + W-MSA/SW-MSA + layer normal + mlpif self.shift_size > 0:# nW * B, window_size * window_size, C# calculate attention mask for SW-MSA# attention mask 的构成H, 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:attn_mask = Noneself.register_buffer("attn_mask", attn_mask)def forward(self, x):H, W = self.input_resolutionB, L, C = x.shapeassert L == H * W, "input feature has wrong size"shortcut = x# 层归一化 如图所示 layer normal + W-MSA/SW-MSAx = self.norm1(x)x = x.view(B, H, W, C)# cyclic shiftif self.shift_size > 0:# 进行 sw-msa 将数据进行变换shifted_x = torch.roll(x, shifts=(-self.shift_size, -self.shift_size), dims=(1, 2))else:shifted_x = x# partition windows# 将数据拆分成 n * window_size * window_size * c 的维度 方便进行self attentionx_windows = window_partition(shifted_x, self.window_size) # nW*B, window_size, window_size, C# 数据reshape成 (n, window_size * window_size, c) 送入 attention 层x_windows = x_windows.view(-1, self.window_size * self.window_size, C) # nW*B, window_size*window_size, C# W-MSA/SW-MSA# 进行 multi head attentionattn_windows = self.attn(x_windows, mask=self.attn_mask) # nW*B, window_size*window_size, C# merge windowsattn_windows = attn_windows.view(-1, self.window_size, self.window_size, C)# 将数据维度退回到window_partition之前的维度shifted_x = window_reverse(attn_windows, self.window_size, H, W) # B H' W' C# reverse cyclic shiftif self.shift_size > 0:x = torch.roll(shifted_x, shifts=(self.shift_size, self.shift_size), dims=(1, 2))else:x = shifted_xx = x.view(B, H * W, C)# FFNx = shortcut + self.drop_path(x)x = x + self.drop_path(self.mlp(self.norm2(x)))return x
在分析代码前,我们先看下作者为什么会设计SW-MSA?
论文所述:
The shifted windows bridge the windows of the preceding layer, providing connections among them that signifificantly enhance modeling power
简单来说,就是SW-MSA 是为了建立两个widow之间的桥梁设计的。也就是融合两个window之间的特征。极大的加强了模型的能力。
Wait. 这不就是类似滑动卷积核做卷积?真有你的哦!
接下来就是正题,源码中最难理解的地方来了。这里我先提前说下,作者是通过设计一个MASK来实现SW-MSA。
下面我们用一段代码模拟下:
import torchdef window_partition(x, window_size):H, W = x.shapex = x.view(H // window_size, window_size, W // window_size, window_size)windows = x.permute(0, 2, 1, 3).contiguous().view(-1, window_size, window_size)return windowswindow_size = 3 shift_size = 3 // 2data = torch.arange(81).view(9, 9)shift_data = torch.roll(data, shifts=(-shift_size, -shift_size), dims=(0, 1))mask = torch.zeros(9, 9)h_slices = (slice(0, -window_size),slice(-window_size, -shift_size),slice(-shift_size, None))w_slices = (slice(0, -window_size),slice(-window_size, -shift_size),slice(-shift_size, None))cnt = 0 for h in h_slices:for w in w_slices:mask[h, w] = cntcnt += 1print('data', data) print('shift_data', shift_data) print('mask', mask)mask_windows = window_partition(mask, window_size) # nW, window_size, window_size print('mask_windows', mask_windows)mask_windows = mask_windows.view(-1, window_size * window_size)print('reshape_mask_windows', mask_windows)attn_mask = mask_windows.unsqueeze(1) - mask_windows.unsqueeze(2)print('attn_mask', attn_mask)attn_mask = attn_mask.masked_fill(attn_mask != 0, float(-100.0)).masked_fill(attn_mask == 0, float(0.0))print('fill_attn_mask', attn_mask)
data 输出
tensor([[ 0, 1, 2, 3, 4, 5, 6, 7, 8],
[ 9, 10, 11, 12, 13, 14, 15, 16, 17],
[18, 19, 20, 21, 22, 23, 24, 25, 26],
[27, 28, 29, 30, 31, 32, 33, 34, 35],
[36, 37, 38, 39, 40, 41, 42, 43, 44],
[45, 46, 47, 48, 49, 50, 51, 52, 53],
[54, 55, 56, 57, 58, 59, 60, 61, 62],
[63, 64, 65, 66, 67, 68, 69, 70, 71],
[72, 73, 74, 75, 76, 77, 78, 79, 80]])
shift_data 输出
tensor([[10, 11, 12, 13, 14, 15, 16, 17, 9],
[19, 20, 21, 22, 23, 24, 25, 26, 18],
[28, 29, 30, 31, 32, 33, 34, 35, 27],
[37, 38, 39, 40, 41, 42, 43, 44, 36],
[46, 47, 48, 49, 50, 51, 52, 53, 45],
[55, 56, 57, 58, 59, 60, 61, 62, 54],
[64, 65, 66, 67, 68, 69, 70, 71, 63],
[73, 74, 75, 76, 77, 78, 79, 80, 72],
[ 1, 2, 3, 4, 5, 6, 7, 8, 0]])
上面两个输出刚好对应下图的 cyclic shift
经过cyclic shift 后 的数据被分成了9份 如下图所示:每份之间的数据是互相可见的,其中1单独组成个window [2,3] 组成一个window 且 [2,3] 之间的数据互相不可见,但是 [2,3] 内的数据互相可见。同理 [4,7] 组成一个widnow。 [5, 6, 8, 9] 组成一个window 这是最特殊的一个window 由三部分shift 出去的数据和原先最后一个widnow剩下的数据组成。它们之间数据的可见性同上。
现在再看下面代码是不是瞬间理解了。
将mask分成上面的9份 分别用0~8设置
mask = torch.zeros(9, 9) h_slices = (slice(0, -window_size),slice(-window_size, -shift_size),slice(-shift_size, None)) w_slices = (slice(0, -window_size),slice(-window_size, -shift_size),slice(-shift_size, None)) cnt = 0 for h in h_slices:for w in w_slices:mask[h, w] = cntcnt += 1
mask 输出 就和上面分析的一摸一样
tensor([[0., 0., 0., 0., 0., 0., 1., 1., 2.],
[0., 0., 0., 0., 0., 0., 1., 1., 2.],
[0., 0., 0., 0., 0., 0., 1., 1., 2.],
[0., 0., 0., 0., 0., 0., 1., 1., 2.],
[0., 0., 0., 0., 0., 0., 1., 1., 2.],
[0., 0., 0., 0., 0., 0., 1., 1., 2.],
[3., 3., 3., 3., 3., 3., 4., 4., 5.],
[3., 3., 3., 3., 3., 3., 4., 4., 5.],
[6., 6., 6., 6., 6., 6., 7., 7., 8.]])
window_partition 就是很简单的 reshape 操作 将器拆分成一个个window_size * window_size大小的window。从 (9, 9) - > (9, 3, 3)
def window_partition(x, window_size):H, W = x.shapex = x.view(H // window_size, window_size, W // window_size, window_size)windows = x.permute(0, 2, 1, 3).contiguous().view(-1, window_size, window_size)return windowsmask_windows = window_partition(mask, window_size)
mask_windows = mask_windows.view(-1, window_size * window_size)
mask_window 输出 9 * 9 每一行代表一个window共9个window 每一列代表 一个window内mask的值 window 大小 window_size * window_size (window_size = 3)
tensor([[0., 0., 0., 0., 0., 0., 0., 0., 0.],
[0., 0., 0., 0., 0., 0., 0., 0., 0.],
[1., 1., 2., 1., 1., 2., 1., 1., 2.],
[0., 0., 0., 0., 0., 0., 0., 0., 0.],
[0., 0., 0., 0., 0., 0., 0., 0., 0.],
[1., 1., 2., 1., 1., 2., 1., 1., 2.],
[3., 3., 3., 3., 3., 3., 6., 6., 6.],
[3., 3., 3., 3., 3., 3., 6., 6., 6.],
[4., 4., 5., 4., 4., 5., 7., 7., 8.]])
attn_mask 很多人想不明白这里是在干什么?没关系往后看,我们一步一步分析
attn_mask = mask_windows.unsqueeze(1) - mask_windows.unsqueeze(2)
mask_windows shape: (nw, 3 * 3) nw: widown数量 3: 窗口大小
a = mask_windows.unsqueeze(1) shape: (nw, 1, 3* 3)
b = mask_windows.unsqueeze(2) shape: (nw, 3* 3 , 1)
由于广播机制 a, b 向对方的维度扩展 变成 (nw, 3* 3, 3* 3)
其中 a b 在 dim = [1, 2] 维度上互为转置矩阵 a - b 类似于 行 减去 列 的值
此时每行的值是同一个window的的所有mask值,每一列的值代表当前window里第i个mask值
而mask值由上面分析 是由 0~8之间的数字组成,相同的表示互相可见。
如果两者相互可见,表示mask值一样,相减等于0。
此时 c = a - b shape (nw, 3 * 3, 3 * 3)
c[i, j, k] 表示 第 i 个window 内 第 j 个 值 与 window 内 第 k 个 值是否互相可见 0 < j, k < 3 * 3
是不是感觉到熟悉了,这不就和self attention里面的 q * k.T后表示的意思一样嘛。
下面就是将非0值用一个极大的负值替换。用来当 SW-MSA 的 mask 值。因为 self attention中是用softmax 来得到加权值 所以用一个大的负数来填充,得到的softmax值越接近0
attn_mask = attn_mask.masked_fill(attn_mask != 0, float(-100.0)).masked_fill(attn_mask == 0, float(0.0))
最后我们来看下 WindowAttention的实现。这里的实现只需要注意两点,就是pos编码设计和transform里面不同。
1. 设计了个相对位置编码bias表格
class WindowAttention(nn.Module):def __init__(self, dim, window_size, num_heads, qkv_bias=True, qk_scale=None, attn_drop=0., proj_drop=0.):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 bias# 设计了一个相对位置编码 相对位置编码个数 (2 * window_size - 1) * (2 * window_size - 1)# 因为在一个 7 * 7 的 window内 相对位置范围 (-6, 6) 有 2 * 7 - 1 = 13 个# 所以对于二维数据 应该有 13 * 13 个 即 (2w - 1) * (2w - 1) 也就是相对坐标范围应该为 0 ~ (2w - 1) * (2w - 1) - 1self.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 window# 得到 window 内的表格坐标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# 下面两行其实和 mask生成的是做的操作类似 也就是将数据展平后 广播后相减 得到相对坐标coords_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, 2# 但是上面的相对坐标和定义的 relative_position_bias_table还对应不上 relative_coords 取值范围 (-w + 1) ~ (w - 1)# 所以在dim=[1, 2] 维度 才加上 self.window_size[0] - 1 取值范围 变成 0 ~ (2w - 2)relative_coords[:, :, 0] += self.window_size[0] - 1 # shift to start from 0relative_coords[:, :, 1] += self.window_size[1] - 1# 最后在 dim=2 的维度上 乘以 2w - 1 所以在这个维度上取值范围为 0 ~ (2w - 2) * (2w - 1) = (2w - 1)**2 - (2w - 1)relative_coords[:, :, 0] *= 2 * self.window_size[1] - 1# 最后求和后得到的相对坐标范围 0 ~ (2w - 1)**2 - (2w - 1) + (2w - 2) = (2w - 1)**2 - 1# OKay 到此为止终于得到范围为 0 ~ (2w - 1)**2 - 1 和 上面的 relative_position_bias_table对应上了# 所以每次只需要用相对索引去 relative_position_bias_table 表格中取值就行了relative_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, bias=qkv_bias)self.attn_drop = nn.Dropout(attn_drop)self.proj = nn.Linear(dim, dim)self.proj_drop = nn.Dropout(proj_drop)trunc_normal_(self.relative_position_bias_table, std=.02)self.softmax = nn.Softmax(dim=-1)
2. 添加位置编码信息的位置不同,这里是在 计算 qk.T后在加上位置编码 bias
attn = (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,nH relative_position_bias = relative_position_bias.permute(2, 0, 1).contiguous() # nH, Wh*Ww, Wh*Ww attn = attn + relative_position_bias.unsqueeze(0)
其他的就和普通的 self attention 差不多 这里就不进行分析了。
到此为止源码基本分析完!
从代码上我们可以看到,Swin Transformer 基本上是抛弃了卷积操作。但一个SW-MSA确又看到了卷积的影子。
SwinTransformV2 已经推出,用于大模型。对网络结构也做了一些调整。
后续我也会对SwinTransformV2源码 进行分析。
Swin Transformer源码分析相关推荐
- DataX Transformer 源码分析及 UDF 扩展与使用
DataX GitHub DataX Transformer 目录 1 前言 2 需求说明 3 解决方案分析 4 解密算法 5 Hive UDF 5.1 测试数据 5.2 新建 Maven 项目 5. ...
- DataX Transformer从入口到加载的源码分析及UDF扩展与使用
DataX GitHub DataX Transformer 目录 1 前言 2 需求说明 3 解决方案分析 4 解密算法 5 Hive UDF 5.1 测试数据 5.2 新建 Maven 项目 5. ...
- Vuex 2.0 源码分析
作者:滴滴公共前端团队 - 黄轶 大家好,我叫黄轶,来自滴滴公共前端团队,我们团队最近写了一本书 --<Vue.js 权威指南>,内容丰富,由浅入深.不过有一些同学反馈说缺少 Vuex 的 ...
- BERT源码分析(PART III)
写在前面 继续之前没有介绍完的 Pre-training 部分,在上一篇中(BERT源码分析(PART II))我们已经完成了对输入数据的处理,接下来看看 BERT 是怎么完成「Masked LM」和 ...
- vuex 源码分析_Vuex 2.0 源码分析(下)
大家好,我叫黄轶,来自滴滴公共前端团队,最近在幕课网上线了一门 Vue.js 的实战课程--<Vue.js高仿饿了么外卖App 2016最火前端框架>,同时,我们团队最近写了一本书 --& ...
- 图片加载框架Picasso - 源码分析
简书:图片加载框架Picasso - 源码分析 前一篇文章讲了Picasso的详细用法,Picasso 是一个强大的图片加载缓存框架,一个非常优秀的开源库,学习一个优秀的开源库,,我们不仅仅是学习它的 ...
- bytebuddy实现原理分析 源码分析 (三)- advice 详解
advice详解 八.advice 8.1 AsmVisitorWrapper 8.1.1 ForDeclareFields 8.1.1.1 Entry 8.1.1.2 DispatchingVisi ...
- 10章 RxJava源码分析
本篇文章已授权微信公众号 YYGeeker 独家发布转载请标明出处 CSDN学院课程地址 RxJava2从入门到精通-初级篇:https://edu.csdn.net/course/detail/10 ...
- bytebuddy实现原理分析 源码分析 (二)
bytebuddy实现原理分析 &源码分析 四.字节码的操作(implementation ) pkg 4.1 bytecode :pkg 4.1.1 StackManipulation :c ...
最新文章
- scroll-苹果滑动卡顿
- python交互式命令_在python中运行交互式命令
- 怎样将包含元组的列表转换为字典?
- K:hash(哈希)碰撞攻击
- 组件通信 eventtBus
- P8 控制系统校正与综合-《Matlab/Simulink与控制系统仿真》程序指令总结
- 使用PowerDesigner 建立mysql数据表
- JDK 7的算法和数据结构
- java -jar 默认参数_JAVA入门学习指南,建议收藏
- linux shell 原理,linux下shell的工作原理
- CentOS 6.5搭建Redis3.2.8单机分布式集群
- 教大家如何修改博客背景
- Luogu4198 楼房重建
- 多张图片怎么合成一个pdf?
- On the Generality of Facial Forgery Detection论文原文翻译以及阅读笔记
- 基础操作案例 :ArcGIS PRO基础教程(一)
- 游戏后台状态同步与帧同步
- appium连接mumu模拟器,无法连接问题
- 与编程密切相关的数学——离散数学——代数系统篇
- 第五十一章 SQL函数 DECODE