如何从零开始构建Pytorch中的Transformer网络教程？

本文共计2783个文字，预计阅读时间需要12分钟。

前言本文介绍了Transformer的基本流程，包括块的两种实现方式，Positional Embedding的几种实现方式，Encoder的实现方式，最后分类的两种方式以及最重要的数据格式介绍。本文内容来自公众

​

前言本文介绍了Transformer的基本流程，分块的两种实现方式，Position Emebdding的几种实现方式，Encoder的实现方式，最后分类的两种方式，以及最重要的数据格式的介绍。

本文来自公众号CV技术指南的技术总结系列

欢迎关注公众号CV技术指南，专注于计算机视觉的技术总结、最新技术跟踪、经典论文解读、CV招聘信息。

在讲如何搭建之前，先回顾一下Transformer在计算机视觉中的结构是怎样的。这里以最典型的ViT为例。

​

如图所示，对于一张图像，先将其分割成NxN个patches,把patches进行Flatten，再通过一个全连接层映射成tokens,对每一个tokens加入位置编码(position embedding)，会随机初始化一个tokens，concate到通过图像生成的tokens后，再经过transformer的Encoder模块，经过多层Encoder后，取出最后的tokens(即随机初始化的tokens),再通过全连接层作为分类网络进行分类。

下面我们就根据这个流程来一步一步介绍如何搭建一个Transformer模型。、

分块

---

目前有两种方式实现分块，一种是直接分割，一种是通过卷积核和步长都为patch大小的卷积来分割。

直接分割

直接分割即把图像直接分成多块。在代码实现上需要使用einops这个库，完成的操作是将（B，C，H，W）的shape调整为（B，(H/P *W/P)，P*P*C）。

fromeinopsimportrearrange,repeat fromeinops.layers.torchimportRearrange self.to_patch_embedding=nn.Sequential( Rearrange('bc(hp1)(wp2)->b(hw)(p1p2c)',p1=patch_height,p2=patch_width), nn.Linear(patch_dim,dim), )

这里简单介绍一下Rearrange。

Rearrange用于对张量的维度进行重新变换排序，可用于替换pytorch中的reshape，view，transpose和permute等操作。举几个例子

#假设images的shape为[32,200,400,3] #实现view和reshape的功能 Rearrange(images,'bhwc->(bh)wc')#shape变为（32*200,400,3） #实现permute的功能 Rearrange(images,'bhwc->bchw')#shape变为（32,3,200,400） #实现这几个都很难实现的功能 Rearrange(images,'bhwc->(bcw)h')#shape变为（32*3*400,200）

从这几个例子看可以看出，Rearrange非常简单好用，这里的b, c, h, w都可以理解为表示符号，用来表示操作变化。通过这几个例子似乎也能理解下面这行代码是如何将图像分割的。

Rearrange('bc(hp1)(wp2)->b(hw)(p1p2c)',p1=patch_height,p2=patch_width)

这里需要解释的是，一个括号内的两个变量相乘表示的是该维度的长度，因此不要把"h"和"w"理解成图像的宽和高。这里实际上h = H/p1, w = W/p2，代表的是高度上有几块，宽度上有几块。h和w都不需要赋值，代码会自动根据这个表达式计算，b和c也会自动对应到输入数据的B和C。

后面的"b (h w) (p1 p2 c)"表示了图像分块后的shape: （B，(H/P *W/P)，P*P*C）

这种方式在分块后还需要通过一层全连接层将分块的向量映射为tokens。

在ViT中使用的就是这种直接分块方式。

卷积分割

卷积分割比较容易理解，使用卷积核和步长都为patch大小的卷积对图像卷积一次就可以了。

self.proj=nn.Conv2d(in_chans,embed_dim,kernel_size=patch_size,stride=patch_size) x=self.proj(x).flatten(2).transpose(1,2)#BPh*PwC

在swin transformer中即使用的是这种卷积分块方式。在swin transformer中卷积后没有再加全连接层。

Position Embedding

---

Position Embedding可以分为absolute position embedding和relative position embedding。

在学习最初的transformer时，可能会注意到用的是正余弦编码的方式，但这只适用于语音、文字等1维数据，图像是高度结构化的数据，用正余弦不合适。

在ViT和swin transformer中都是直接随机初始化一组与tokens同shape的可学习参数，与tokens相加，即完成了absolute position embedding。

在ViT中实现方式：

self.pos_embedding=nn.Parameter(torch.randn(1,num_patches+1,dim)) x+=self.pos_embedding[:,:(n+1)] #之所以是n+1，是因为ViT中选择随机初始化一个class token，与分块得到的tokens拼接。所以patches的数量为num_patches+1。

在swin transformer中的实现方式：

fromtimm.models.layersimporttrunc_normal_ self.absolute_pos_embed=nn.Parameter(torch.zeros(1,num_patches,embed_dim)) trunc_normal_(self.absolute_pos_embed,std=.02)

在TimeSformer中的实现方式：

self.pos_emb=torch.nn.Embedding(num_positions+1,dim)

以上就是简单的使用方法，这种方法属于absolute position embedding。

还有更复杂一点的方法，以后有机会单独搞一篇文章来介绍。

感兴趣的读者可以先去看看这篇论文《ICCV2021 | Vision Transformer中相对位置编码的反思与改进》。

Encoder

---

Encoder由Multi-head Self-attention和FeedForward组成。

Multi-head Self-attention

Multi-head Self-attention主要是先把tokens分成q、k、v，再计算q和k的点积，经过softmax后获得加权值，给v加权，再经过全连接层。

用公式表示如下：

所谓Multi-head是指把q、k、v再dim维度上分成head份，公式里的dk为每个head的维度。

具体代码如下：

classAttention(nn.Module): def__init__(self,dim,heads=8,dim_head=64,dropout=0.): super().__init__() inner_dim=dim_head*heads project_out=not(heads==1anddim_head==dim) self.heads=heads self.scale=dim_head**-0.5 self.attend=nn.Softmax(dim=-1) self.dropout=nn.Dropout(dropout) self.to_qkv=nn.Linear(dim,inner_dim*3,bias=False) self.to_out=nn.Sequential( nn.Linear(inner_dim,dim), nn.Dropout(dropout) )ifproject_outelsenn.Identity() defforward(self,x): qkv=self.to_qkv(x).chunk(3,dim=-1) q,k,v=map(lambdat:rearrange(t,'bn(hd)->bhnd',h=self.heads),qkv) dots=torch.matmul(q,k.transpose(-1,-2))*self.scale attn=self.attend(dots) attn=self.dropout(attn) out=torch.matmul(attn,v) out=rearrange(out,'bhnd->bn(hd)') returnself.to_out(out)

这里没有太多可以解释的地方，介绍一下q、k、v的来源，由于这是self-attention，因此q=k=v(即tokens)，若是普通attention，则k= v，而q是其它的东西，例如可以是另一个尺度的tokens，或视频领域中的其它帧的tokens。

FeedForward

这里不用多介绍。

classFeedForward(nn.Module): def__init__(self,dim,hidden_dim,dropout=0.): super().__init__() self.net=nn.Sequential( nn.Linear(dim,hidden_dim), nn.GELU(), nn.Dropout(dropout), nn.Linear(hidden_dim,dim), nn.Dropout(dropout) ) defforward(self,x): returnself.net(x)

把上面两者组合起来就是Encoder了。

classTransformer(nn.Module): def__init__(self,dim,depth,heads,dim_head,mlp_dim,dropout=0.): super().__init__() self.layers=nn.ModuleList([]) for_inrange(depth): self.layers.append(nn.ModuleList([ PreNorm(dim,Attention(dim,heads=heads,dim_head=dim_head,dropout=dropout)), PreNorm(dim,FeedForward(dim,mlp_dim,dropout=dropout)) ])) defforward(self,x): forattn,ffinself.layers: x=attn(x)+x x=ff(x)+x returnx

depth指的是Encoder的数量。PreNorm指的是层归一化。

classPreNorm(nn.Module): def__init__(self,dim,fn): super().__init__() self.norm=nn.LayerNorm(dim) self.fn=fn defforward(self,x,**kwargs): returnself.fn(self.norm(x),**kwargs)

分类方法

---

数据通过Encoder后获得最后的预测向量的方法有两种典型。在ViT中是随机初始化一个cls_token，concate到分块后的token后，经过Encoder后取出cls_token，最后将cls_token通过全连接层映射到最后的预测维度。

#生成cls_token部分 fromeinopsimportrepeat self.cls_token=nn.Parameter(torch.randn(1,1,dim)) cls_tokens=repeat(self.cls_token,'1nd->bnd',b=b) x=torch.cat((cls_tokens,x),dim=1) ################################ #分类部分 self.mlp_head=nn.Sequential( nn.LayerNorm(dim), nn.Linear(dim,num_classes) ) x=x.mean(dim=1)ifself.pool=='mean'elsex[:,0] x=self.to_latent(x) returnself.mlp_head(x)

在swin transformer中，没有选择cls_token。而是直接在经过Encoder后将所有数据取了个平均池化，再通过全连接层。

self.avgpool=nn.AdaptiveAvgPool1d(1) self.head=nn.Linear(self.num_features,num_classes)ifnum_classes>0elsenn.Identity() x=self.avgpool(x.transpose(1,2))#BC1 x=torch.flatten(x,1) x=self.head(x)

组合以上这些就成了一个完整的模型

classViT(nn.Module): def__init__(self,*,image_size,patch_size,num_classes,dim,depth,heads,mlp_dim,pool='cls',channels=3,dim_head=64,dropout=0.,emb_dropout=0.): super().__init__() image_height,image_width=pair(image_size) patch_height,patch_width=pair(patch_size) num_patches=(image_height//patch_height)*(image_width//patch_width) patch_dim=channels*patch_height*patch_width assertpoolin{'cls','mean'},'pooltypemustbeeithercls(clstoken)ormean(meanpooling)' self.to_patch_embedding=nn.Sequential( Rearrange('bc(hp1)(wp2)->b(hw)(p1p2c)',p1=patch_height,p2=patch_width), nn.Linear(patch_dim,dim), ) self.pos_embedding=nn.Parameter(torch.randn(1,num_patches+1,dim)) self.cls_token=nn.Parameter(torch.randn(1,1,dim)) self.dropout=nn.Dropout(emb_dropout) self.transformer=Transformer(dim,depth,heads,dim_head,mlp_dim,dropout) self.pool=pool self.to_latent=nn.Identity() self.mlp_head=nn.Sequential( nn.LayerNorm(dim), nn.Linear(dim,num_classes) ) defforward(self,img): x=self.to_patch_embedding(img) b,n,_=x.shape cls_tokens=repeat(self.cls_token,'1nd->bnd',b=b) x=torch.cat((cls_tokens,x),dim=1) x+=self.pos_embedding[:,:(n+1)] x=self.dropout(x) x=self.transformer(x) x=x.mean(dim=1)ifself.pool=='mean'elsex[:,0] x=self.to_latent(x) returnself.mlp_head(x)

数据的变换

---

以上的代码都是比较简单的，整体上最麻烦的地方在于理解数据的变换。

首先输入的数据为（B, C, H, W），在经过分块后，变成了（B, n, d）。

在CNN模型中，很好理解(H，W)就是feature map，C是指feature map的数量，那这里的n，d哪个是通道，哪个是图像特征？

回顾一下分块的部分

Rearrange('bc(hp1)(wp2)->b(hw)(p1p2c)',p1=patch_height,p2=patch_width)

根据这个可以知道n为分块的数量，d为每一块的内容。因此，这里的n相当于CNN模型中的C，而d相当于features。

一般情况下，在Encoder中，我们都是以（B, n, d）的形式。

在swin transformer中这种以卷积的形式分块，获得的形式为（B, C, L），然后做了一个transpose得到（B, L, C）,这与ViT通过直接分块方式获得的形式实际上完全一样，在Swin transformer中的L即为ViT中的n，而C为ViT中的d。

因此，要注意的是在Multi-head self-attention中，数据的形式是（Batchsize, Channel, Features），分成多个head的是Features。

前面提到，在ViT中会concate一个随机生成的cls_token，该cls_token的维度即为（B, 1, d）。可以理解为通道数多了个1。

以上就是Transformer的模型搭建细节了，整体上比较简单，大家看完这篇文章后可以找几篇Transformer的代码来理解理解。如ViT, swin transformer, TimeSformer等。

ViT：github.com/lucidrains/vit-pytorch/blob/main/vit_pytorch/vit.py swin:github.com/microsoft/Swin-Transformer/blob/main/models/swin_transformer.py TimeSformer:github.com/lucidrains/TimeSformer-pytorch/blob/main/timesformer_pytorch/timesformer_pytorch.py

下一篇我们将介绍如何写train函数，以及包括设置优化方式，设置学习率，不同层设置不同学习率，解析参数等。

欢迎关注公众号CV技术指南，专注于计算机视觉的技术总结、最新技术跟踪、经典论文解读、CV招聘信息。

CV技术指南创建了一个交流氛围很不错的群，除了太偏僻的问题，几乎有问必答。关注公众号添加编辑的微信号可邀请加交流群。

​​

其它文章

从零搭建Pytorch模型教程（二）搭建网络

从零搭建Pytorch模型教程（一）数据读取

YOLO系列梳理与复习（二）YOLOv4

YOLO系列梳理（一）YOLOv1-YOLOv3

StyleGAN大汇总 | 全面了解SOTA方法、架构新进展

一份热力图可视化代码使用教程

一份可视化特征图的代码

工业图像异常检测研究总结（2019-2020）

小样本学习研究综述（中科院计算所）

目标检测中正负样本区分策略和平衡策略总结

目标检测中的框位置优化总结

目标检测、实例分割、多目标跟踪的Anchor-free应用方法总结

Soft Sampling：探索更有效的采样策略

如何解决工业缺陷检测小样本问题

关于快速学习一项新技术或新领域的一些个人思维习惯与思想总结

​