Swin Transformer
1. 简介
1.1 简介
Swin Transformer是2021年微软研究院发表在ICCV上的一篇文章，并且已经获得ICCV 2021 best paper的荣誉称号。Swin Transformer网络是Transformer模型在视觉领域的又一次碰撞。该论文一经发表就已在多项视觉任务中霸榜。该论文是在2021年3月发表的，现在是2021年11月了，根据官方提供的信息可以看到，现在还在COCO数据集的目标检测以及实例分割任务中是第一名。
1.2 存在的问题
个人理解
VIT使用Transformer做了图像分类。同时也留下了悬念，怎么样才能使得Transformer应用到 视觉领域的下游任务(分割，检测)中。Swin Transformer就来了
Swin Transformer 希望VIT也能像卷积神经网络一样，也能分成几个block,也能做这种层级式的特征提取。使得提取出来的特征呢，有多尺度的概念
Transformer所使用的自注意力的操作非常的耗时。
- 前人的工作呢，使用后续的特征图作为Transformer的输入
- 把图片打成patch,减少图片的resolution
- 把图片画成一个一个的小窗口，在窗口里面去做自注意力
2. 网络结构(创新点)
- Swin Transformer使用了类似卷积神经网络中的层次化构建方法（Hierarchical feature maps），比如特征图尺寸中有对图像下采样4倍的，8倍的以及16倍的，这样的backbone有助于在此基础上构建目标检测，实例分割等任务。而在之前的Vision Transformer中是一开始就直接下采样16倍，后面的特征图也是维持这个下采样率不变。
- 在Swin Transformer中使用了Windows Multi-Head Self-Attention(W-MSA)的概念，比如在下图的4倍下采样和8倍下采样中，将特征图划分成了多个不相交的区域（Window），并且Multi-Head Self-Attention只在每个窗口（Window）内进行。相对于Vision Transformer中直接对整个（Global）特征图进行Multi-Head Self-Attention，这样做的目的是能够减少计算量的，尤其是在浅层特征图很大的时候。这样做虽然减少了计算量但也会隔绝不同窗口之间的信息传递，所以在论文中作者又提出了 Shifted Windows Multi-Head Self-Attention(SW-MSA)的概念，通过此方法能够让信息在相邻的窗口中进行传递，后面会细讲。
下图是Swin Transformer文章中给出的图1，左边是本文要讲的Swin Transformer，右边边是之前讲的Vision Transformer。
接下来，简单看下原论文中给出的关于Swin Transformer（Swin-T）网络的架构图。通过图(a)可以看出整个框架的基本流程如下：
- 首先将图片输入到Patch Partition模块中进行分块，即每4x4相邻的像素为一个Patch，然后在channel方向展平（flatten）。假设输入的是RGB三通道图片，那么每个patch就有4x4=16个像素，然后每个像素有R、G、B三个值所以展平后是16x3=48，所以通过Patch Partition后图像shape由
[H, W, 3]变成了[H/4, W/4, 48]。然后在通过Linear Embeding层对每个像素的channel数据做线性变换，由48变成C，即图像shape再由[H/4, W/4, 48]变成了[H/4, W/4, C]。其实在源码中Patch Partition和Linear Embeding就是直接通过一个卷积层实现的，和之前Vision Transformer中讲的 Embedding层结构一模一样。 - 然后就是通过四个Stage构建不同大小的特征图，除了Stage1中先通过一个Linear Embeding层外，剩下三个stage都是先通过一个Patch Merging层进行下采样（后面会细讲）。然后都是重复堆叠Swin Transformer Block注意这里的Block其实有两种结构，如图(b)中所示，这两种结构的不同之处仅在于一个使用了W-MSA结构，一个使用了SW-MSA结构。而且这两个结构是成对使用的，先使用一个W-MSA结构再使用一个SW-MSA结构。所以你会发现堆叠Swin Transformer Block的次数都是偶数（因为成对使用）。
- 最后对于分类网络，后面还会接上一个Layer Norm层、全局池化层以及全连接层得到最终输出。图中没有画，但源码中是这样做的。
2.1 PatchEmbedding
patchembedding 这个部分就是patch partition和 linear embedding 进行了融合
1) Patch Partition
Pacth Partition的作用就是将输入的Images转化为patch块，且每个patch块是由相邻四个像素块组成。
其本质就是将的
Image转化为的
patch。
可能有同学要问了48是什么？
这里跟大家解释一下，48是因为原图像的channels是3，而在图像转换为patch的时候四个相邻像素在channel方向上展平，所以。
2) Linear Embedding
这一步没什么好说的，就是将,
如果使用模型，
的大小为96
注意点：
代码中Patch Embedding的输出是
，并不是直接的
。
需要做归一化后，才能变成
2.2 Patch Merging
为了让图像有层级式的概念，就需要类似池化的操作，在Swin-Transformer中就是 patch Merging的操作
Patch Merging的作用就是将图像的高和宽缩小至原来的,将
升为原来的2倍
- 第一步，隔一个点选取一个数值。然后这样子宽和高就变成原来的
- 第二步，把分开的patch ，进行通道上的融合，这样子就变成了
- 第三步，为了和卷积操作一样，通道数是原来的
倍.又做了一个全连接操作。把通道数变成原来的
。把
变成了
2.3 Swin Transformer
Swin Transformer的核心部分就是这个block，如图(b)所示，该block有两种。一种是具有W-MSA的block，另一种是具有SW-MSA的block。
2.3.1 W-MSA
W-MSA是一个具有节省计算量的自注意力机制，它将图像以7x7大小分割成多个窗口进行自注意力机制。传统的Multi-head Self-Attention(多头自注意力机制)具有非常大的计算量，而W-MSA的出现，很好的解决了MSA计算量庞大的问题。下面介绍一下W-MSA如何解决MSA计算庞大的问题
这两个计算公式，分别阐述了VIT的自注意力的计算复杂度计算公式，和Swin-Transformer自注意力计算复杂度的计算公式
1. 首先介绍一下参数概念
- h代表feature map的高度
- w代表feature map的宽度
- C代表feature map的深度
- M代表每个窗口（Windows）的大小
2. 介绍一下VIT的自注意力计算公式
Self-Attention的公式
如图所示
VIT的复杂度图中有展示
3. 如果使用了窗口注意力机制
我们可以套用上面公式，在窗口里面做注意力
。现在h->M,w->M。序列长度只有
一个窗口的注意力机制如下所示
一共有这么多个窗口
2.3.2 SW-MSA
（Shifted Windows Multi-head Self-Attention）
虽然使用分割窗口操作将计算量降到了
，但是带来了一个问题。那就是
窗口与窗口之间的信息是闭塞的，不交互的。这样会使得图像的上下文连接不起来，从而导致模型效果差。
所以作者希望不只在一个窗口内做自注意力，而是全局的，所以需要移动窗口。
第一次是正常的窗口自注意力，第二次是移动窗口自注意力，两次是绑定的，这也是在四个阶段swin transformer都为偶数的原因
根据之前介绍的W-MSA和SW-MSA是成对使用的
- 第
层，对应的是左侧，是
W-MSA。有4个窗口。每个窗口中有个元素
- 第
层，右侧就是
SW-MSA。根据左右两幅图对比能够发现窗口（Windows）发生了偏移（可以理解成窗口从左上角分别向右侧和下方各偏移了个像素）
窗口之间如何进行通信呢？？
比如对于第一行第2列的2x4的窗口，它能够使第L层的第一排的两个窗口信息进行交流。再比如，第二行第二列的4x4的窗口，他能够使第L层的四个窗口信息进行交流，其他的同理。那么这就解决了不同窗口之间无法进行信息交流的问题。
根据上图，可以发现通过将窗口进行偏移后，由原来的4个窗口变成9个窗口了。后面又要对每个窗口内部进行MSA，这样做感觉又变麻烦了。为了解决这个麻烦，作者又提出而了Efficient batch computation for shifted configuration，一种更加高效的计算方法。下面是原论文给的示意图。
这个图比较难懂。说白了其实就是一个七巧板。下图左侧是刚刚通过偏移窗口后得到的新窗口，右侧是为了方便大家理解，对每个窗口加上了一个标识。然后0对应的窗口标记为区域A，3和6对应的窗口标记为区域B，1和2对应的窗口标记为区域C。
然后先将区域A和C移到最下方。
接着，再将区域A和B移至最右侧。
移动完后，4是一个单独的窗口；将5和3合并成一个窗口；7和1合并成一个窗口；8、6、2和0合并成一个窗口。这样又和原来一样是4个4x4的窗口了，所以能够保证计算量是一样的。这里肯定有人会想，把不同的区域合并在一起（比如5和3）进行MSA，这信息不就乱窜了吗？是的，为了防止这个问题，在实际计算中使用的是masked MSA即带蒙板mask的MSA，这样就能够通过设置蒙板来隔绝不同区域的信息了。关于mask如何使用，可以看下下面这幅图，下图是以上面的区域5和区域3为例。
对于该窗口内的每一个像素（或称token，patch）在进行MSA计算时，都要先生成对应的query(q)，key(k)，value(v)。
假设对于上图的像素0而言,得到后要与每一个像素的k进行匹配（match）,假设
代表与像素
对应的
进行匹配的结果，那么同理可以得到
至
。
按照普通的MSA计算，接下来就是SoftMax操作了。但对于这里的masked MSA,像素是属于区域5的，我们只想让它和区域5内像素进行匹配。
那么我们可以将像素与区域
的所有像素匹配结果都减去100(例如
),由于
的值都很小，一般都是零点几的数，将其中一些数减去100后在通过SoftMax得到对应的权重都等于0了。所以对于像素0而言实际上还是只和区域5内的像素进行了MSA。
模型总体的mask操作
3. 实验
4. 代码
导入包
import torch
import torch.nn as nn
import torch.utils.checkpoint as checkpoint
from timm.models.layers import DropPath, to_2tuple, trunc_normal_timm是pytorch常见的工具包
pip install timm4.1 MLP
MLP部分没什么好说的，中规中矩的两个全连接层，一个激活函数。
class Mlp(nn.Module):
def __init__(self, in_features, hidden_features=None, out_features=None, act_layer=nn.GELU, drop=0.):
super().__init__()
out_features = out_features or in_features
hidden_features = hidden_features or in_features
self.fc1 = nn.Linear(in_features, hidden_features)
self.act = act_layer()
self.fc2 = nn.Linear(hidden_features, out_features)
self.drop = nn.Dropout(drop)
def forward(self, x):
x = self.fc1(x)
x = self.act(x)
x = self.drop(x)
x = self.fc2(x)
x = self.drop(x)
return x4.2 window_partition
这部分的代码就是把图像转为多个窗口，和把多个窗口还原成图像的操作，主要是为了方便W-MSA和SW-MSA的操作。
def window_partition(x, window_size):
"""
Args:
x: (B, H, W, C)
window_size (int): window size
Returns:
windows: (num_windows*B, window_size, window_size, C)
"""
B, H, W, C = x.shape
x = 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 windows第一个输入为图像Batch，对应尺寸为**（B,H,W,C）**，其中B为batch_size，H和W代表图像的宽高，C为通道数，需要注意的是，这边的通道数位于第三个维度，而torch直接读取的图像中通道位于第一个维度，因此需要对图片做预处理。第二个输入为窗口的尺寸。
if __name__ == '__main__':
x = torch.randn(size=(1, 224, 224, 3))
windows=window_partition(x=x, window_size=7)
print(windows.shape)结果
torch.Size([1024, 7, 7, 3])
4.3 window_reverse
def window_reverse(windows, window_size, H, W):
"""
Args:
windows: (num_windows*B, window_size, window_size, C)
window_size (int): Window size
H (int): Height of image
W (int): Width of image
Returns:
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 x对于上面呢的数据进行还原
if __name__ == '__main__':
x = torch.randn(size=(1024, 7, 7, 3))
windows=window_reverse(windows=x, window_size=7,H=224,W=224)
print(windows.shape)结果为
torch.Size([1, 224, 224, 3])4.4 W-MSA
这一块就是W-MSA的实现，以及相对位置偏置的实现。什么是相对位置偏置？就是位置编码。所以Swin-Transformer的自注意力机制的公式如下：
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 = dim
self.window_size = window_size # Wh, Ww
self.num_heads = num_heads
head_dim = dim // num_heads
self.scale = qk_scale or head_dim ** -0.5
self.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
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
coords_flatten = torch.flatten(coords, 1) # 2, Wh*Ww
relative_coords = coords_flatten[:, :, None] - coords_flatten[:, None, :] # 2, Wh*Ww, Wh*Ww
relative_coords = relative_coords.permute(1, 2, 0).contiguous() # Wh*Ww, Wh*Ww, 2
relative_coords[:, :, 0] += self.window_size[0] - 1 # shift to start from 0
relative_coords[:, :, 1] += self.window_size[1] - 1
relative_coords[:, :, 0] *= 2 * self.window_size[1] - 1
relative_position_index = relative_coords.sum(-1) # Wh*Ww, Wh*Ww
self.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)
def forward(self, x, mask=None):
B_, N, C = x.shape
qkv = 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.scale
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)
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.attn_drop(attn)
x = (attn @ v).transpose(1, 2).reshape(B_, N, C)
x = self.proj(x)
x = self.proj_drop(x)
return x4.5 Patch Merging
Patch Merging在之前说过，它的主要目的就是将降维，
升维
class PatchMerging(nn.Module):
def __init__(self, input_resolution, dim, norm_layer=nn.LayerNorm):
super().__init__()
self.input_resolution = input_resolution
self.dim = dim
self.reduction = nn.Linear(4 * dim, 2 * dim, bias=False)
self.norm = norm_layer(4 * dim)
def forward(self, x):
H, W = self.input_resolution
B, L, C = x.shape
assert 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)
x0 = x[:, 0::2, 0::2, :] # B H/2 W/2 C
x1 = x[:, 1::2, 0::2, :] # B H/2 W/2 C
x2 = x[:, 0::2, 1::2, :] # B H/2 W/2 C
x3 = x[:, 1::2, 1::2, :] # B H/2 W/2 C
x = torch.cat([x0, x1, x2, x3], -1) # B H/2 W/2 4*C
x = x.view(B, -1, 4 * C) # B H/2*W/2 4*C
x = self.norm(x)
x = self.reduction(x)
return x4.6 Patch Embedding
Patch Embedding其实就是Patch Partition 和Linear Embedding，具体原理在开头已经讲明。
流程如下
- 第一步 使用
二维卷积来实现patch embedding，embedding的维度就是卷积的输出通道。
使用卷积层nn.Conv2d(in_chans, embed_dim, kernel_size=patch_size, stride=patch_size)，stride=patch_size这一步操作直接将输入的图片分割成
个
的patch,
输入- 第二步，把向量flatten后，进行转置
变成具体数字输入
class PatchEmbed(nn.Module):
r""" Image to Patch Embedding
Args:
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: None
"""
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_size
self.patch_size = patch_size
self.patches_resolution = patches_resolution
self.num_patches = patches_resolution[0] * patches_resolution[1]
self.in_chans = in_chans
self.embed_dim = embed_dim
self.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 = None
def forward(self, x):
B, C, H, W = x.shape
# FIXME look at relaxing size constraints
assert 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]})."
x = self.proj(x).flatten(2).transpose(1, 2) # B Ph*Pw C
if self.norm is not None:
x = self.norm(x)
return x
def flops(self):
Ho, Wo = self.patches_resolution
flops = 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_dim
return flops我们做一下测试
if __name__ == '__main__':
x=torch.randn(size=(1,3,224,224))
p=PatchEmbed(in_chans=3)
out=p(x)
print(out.shape)结果
torch.Size([1, 3136, 96])4.7 BasicLayer
首先是BasicLayer，这个是SWinTransformer的基本组成，相当于一个stage
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
self.input_resolution = input_resolution
self.depth = depth
self.use_checkpoint = use_checkpoint
# build blocks
self.blocks = nn.ModuleList([
SwinTransformerBlock(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
if downsample is not None:
self.downsample = downsample(input_resolution, dim=dim, norm_layer=norm_layer)
else:
self.downsample = None
def forward(self, x):
for blk in self.blocks:
if self.use_checkpoint:
x = checkpoint.checkpoint(blk, x)
else:
x = blk(x)
if self.downsample is not None:
x = self.downsample(x)
return x4.8 Swin Transformer
Swin Transformer一共有四个Stage块，如图(a)所示，这部分代码就是对于Stage块的实现。
1、获取宽度高度方向分别分成了几个patch
2、获取输入特征X的形状，由PatchEmbed和PatchMerging的输出可知，X的尺寸为（B ，H*W，C）
3、对X进行归一化，并转化形状为
4、判断是否进行shifted，如果是则使用torch.roll对输入X的第1和第2维度进行循环移动。使用图像循环移动代替窗口移动，极大地减轻了算法的工程量！！！
5、进行窗口的分割，输入为移动后的X，输出为（nW*B, window_size, window_size, C）
进一步的调整窗口的形状为
7、对于每个子窗口计算局部注意力，尺寸为
进一步的调整窗口的形状为
8、将注意力的Batch还原为与图像batch数相同的尺寸
9、如果第五步产生了图像循环移动，则此处对注意力进行相反方向的循环移动，移动距离与第五部相同
10、进行了DropPath的操作，对多分支网络进行随机剪枝，能够有效地增加网络的鲁棒性，也能避免过拟合。关于这个操作可以参考
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_classes
self.num_layers = len(depths)
self.embed_dim = embed_dim
self.ape = ape
self.patch_norm = patch_norm
self.num_features = int(embed_dim * 2 ** (self.num_layers - 1))
self.mlp_ratio = mlp_ratio
# split image into non-overlapping patches
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)
num_patches = self.patch_embed.num_patches
patches_resolution = self.patch_embed.patches_resolution
self.patches_resolution = patches_resolution
# absolute position embedding
if self.ape:
self.absolute_pos_embed = nn.Parameter(torch.zeros(1, num_patches, embed_dim))
trunc_normal_(self.absolute_pos_embed, std=.02)
self.pos_drop = nn.Dropout(p=drop_rate)
# stochastic depth
dpr = [x.item() for x in torch.linspace(0, drop_path_rate, sum(depths))] # stochastic depth decay rule
# build layers
self.layers = nn.ModuleList()
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)
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):
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.ignore
def no_weight_decay(self):
return {'absolute_pos_embed'}
@torch.jit.ignore
def no_weight_decay_keywords(self):
return {'relative_position_bias_table'}
def forward_features(self, x):
x = self.patch_embed(x)
if self.ape:
x = x + self.absolute_pos_embed
x = self.pos_drop(x)
for layer in self.layers:
x = layer(x)
x = self.norm(x) # B L C
x = self.avgpool(x.transpose(1, 2)) # B C 1
x = torch.flatten(x, 1)
return x
def forward(self, x):
x = self.forward_features(x)
x = self.head(x)
return x4.9 def flops
定义了计算计算复杂度用的公式
def flops(self):
flops = 0
flops += 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_classes
return flops
