手撕Vision Transformer -- Day1 -- 基础原理

手撕Vision Transformer – Day1 – 基础原理

Vision Transformer (ViT) 模型原理

1. Vit 网络结构图

2. 背景

ViT（Vision Transformer）是2020年由Google提出的一种新型图像分类模型，成功地将Transformer架构应用于计算机视觉任务，挑战了传统的卷积神经网络（CNN）。ViT的核心思想是将图像分割成小块（patch），并将这些patch视为一维的序列输入Transformer模型。

3. 模型架构

ViT模型主要包括以下几个步骤：

3.1 图像切块（Patch Embedding）

• 图像分块：将输入图像分成固定大小的patches。假设输入图像大小为 ( $H\times W\times C$ )（H为高度，W为宽度，C为通道数），将图像划分为 ( $P\times P$ ) 大小的patches。
• Flatten：每个patch的像素值被展平成一维向量，形状为 ( ($P\times P\times C$) )。
• 线性映射：这些一维向量通过一个线性层映射到一个固定的维度 ( D )，即生成一个 ( D ) 维的嵌入向量。

3.2 添加位置编码（Positional Encoding）

• 由于Transformer模型没有像CNN那样的局部感知机制，因此必须为每个patch添加位置信息。
• 位置编码：为每个patch的嵌入向量添加一个固定的、学习到的位置编码，使得模型能够区分不同位置的patch（我们采取的可学习的参数）。

3.3 Transformer编码器（Transformer Encoder）

• ViT使用标准的Transformer编码器结构，包含多个自注意力层和前馈神经网络层。
  • 自注意力机制（Self-Attention）：每个patch嵌入向量通过自注意力机制与其他patch的嵌入向量进行交互，以捕捉全局信息。
  • 前馈神经网络：自注意力层的输出经过前馈神经网络（Feed-Forward Network，FFN）进行非线性变换。
  • 层归一化和残差连接：每个Transformer层使用层归一化（Layer Normalization）和残差连接（Residual Connection）。

3.4 分类头（Classification Head）

• 在经过多个Transformer编码器层后，取出[CLS] token（分类标记）对应的输出作为图像的表示。
• 最后，经过一个全连接层（FC layer）进行分类。

4. ViT的优势

• 全局感知：ViT能够通过自注意力机制捕捉图像中全局的依赖关系，而不是像CNN那样依赖局部感知。
• Transformer的优势：Transformer架构在自然语言处理（NLP）中表现优异，ViT将其应用到计算机视觉任务中，能够显著提高性能。

5. ViT的缺点

• 数据依赖性：ViT的性能依赖于大规模的训练数据集，通常需要预训练的模型和大量的计算资源。
• 计算成本：Transformer模型的自注意力计算复杂度为 ( O(N^2) )，其中 ( N ) 是patch的数量，这使得ViT在处理大尺寸图像时的计算开销较大。

6. 总结

ViT通过将图像切分成小块并将其输入到Transformer中，成功地克服了传统CNN的局限，带来了较为显著的性能提升。尽管ViT在数据和计算资源上有较高要求，但它为视觉任务的研究提供了一个新的思路，展示了Transformer在图像处理上的巨大潜力。

参考

视频讲解：【Sora重要技术】复现ViT（Vision Transformer）模型_哔哩哔哩_bilibili