昇思25天学习打卡营第16天|Vision Transformer图像分类

news/2024/8/26 17:11:01 标签: 学习, transformer, 分类

本节使用Vision Transfomer完成图像分类

相关知识

Vision Transformer

ViT是计算机视觉和自然语言处理两个领域的融合成果。它使用transformer架构来处理图像数据，这种架构原本是用于处理自然语言的。
ViT的主要思想是将图像分割成固定大小的块（patches），再将块转换成序列形式（自然语言中就是词语序列）。ViT就是利用transformer的编码器来处理这些序列的。
此外ViT引入了visual token视觉标记的概念，它通过在输入的图像块中添加一些特定的位置编码信息，使模型可以处理不同位置和内容的图像信息。

ViT模型的特点包括

  1. 将图像划分成多个patch，再将二维的patch转换为一维向量，加上类别向量与位置向量作为模型输入。
  2. 模型主体block是基于transformer的encoder结构（调整了normalization的位置），核心组件依然是Multi head attention。
  3. transformer encoder部分称为backbone，最后的全连接层称为head。

transformer_13">transformer基本原理

这里着重介绍一下编解码器结构。encoder与decoder由许多结构组成，如：多头注意力层、feed forward层、normalization层、残差连接residual connection。其中，最重要的是多头注意力，该结构基于自注意力机制，是多个self attention的并行组成。

attention

self attention的核心内容是为输入向量的每个单词学习一个权重。通过给定一个任务相关的查询Query向量，计算Query和各个key的相似性或相关性得到注意力分布，得到每个key对应value的权重系数，再对value加权求和得到最终的attention数值。

输入向量通过embedding层映射成并行的Q、K、V三个向量。再使用QK做点积得到注意力权重，再将该权重对value加权求和，得到最终的输出向量。
在这里插入图片描述
在这里插入图片描述
将q与每个k做点积
在这里插入图片描述
再与V加权求和得到最终的结果。

自注意力机制主要体现在QKV都源于它本身，他们提取的是不同顺序的输入向量之间的联系与特征，再通过不同顺序向量之间的联系紧密性表现出来。

多头注意力

将原本的自注意力处理的向量分割成多个头处理。每个头都有自己独立的线性变换矩阵来并行处理输入序列。首先将输入序列通过多个独立的线性变换矩阵，生成h组QKV、再对每一组都进行注意力计算，得到h个新的表示。接着把所有的输出拼接到一起，得到一个新的向量。最后对拼接后的向量进行线性变换得到多头注意力的输出。
在这里插入图片描述

实验部分

数据加载


data_path = './dataset/'
mean = [0.485 * 255, 0.456 * 255, 0.406 * 255]
std = [0.229 * 255, 0.224 * 255, 0.225 * 255]

dataset_train = ImageFolderDataset(os.path.join(data_path, "train"), shuffle=True)

# 一系列数据增强操作
trans_train = [
    transforms.RandomCropDecodeResize(size=224,
                                      scale=(0.08, 1.0),
                                      ratio=(0.75, 1.333)),
    transforms.RandomHorizontalFlip(prob=0.5),
    transforms.Normalize(mean=mean, std=std),
    transforms.HWC2CHW()
]

dataset_train = dataset_train.map(operations=trans_train, input_columns=["image"])
dataset_train = dataset_train.batch(batch_size=16, drop_remainder=True)

实现注意力机制

class Attention(nn.Cell):
# 参数：输入和输出向量的维度、注意力头数、输出保留的概率、注意力矩阵保留的概率。
    def __init__(self,
                 dim: int,
                 num_heads: int = 8,
                 keep_prob: float = 1.0,
                 attention_keep_prob: float = 1.0):
        super(Attention, self).__init__()

        self.num_heads = num_heads
        # 计算头的维度
        head_dim = dim // num_heads
        self.scale = ms.Tensor(head_dim ** -0.5)
		# 将输入映射到qkv的线性层
        self.qkv = nn.Dense(dim, dim * 3)
        self.attn_drop = nn.Dropout(p=1.0-attention_keep_prob)
        # 输出线性层
        self.out = nn.Dense(dim, dim)
        self.out_drop = nn.Dropout(p=1.0-keep_prob)
        # 矩阵乘法：注意力矩阵乘v
        self.attn_matmul_v = ops.BatchMatMul()
        # 矩阵乘法：q乘k
        self.q_matmul_k = ops.BatchMatMul(transpose_b=True)
        self.softmax = nn.Softmax(axis=-1)

    def construct(self, x):
        b, n, c = x.shape
        qkv = self.qkv(x)
        qkv = ops.reshape(qkv, (b, n, 3, self.num_heads, c // self.num_heads))
        qkv = ops.transpose(qkv, (2, 0, 3, 1, 4))
        q, k, v = ops.unstack(qkv, axis=0)
        attn = self.q_matmul_k(q, k)
        attn = ops.mul(attn, self.scale)
        attn = self.softmax(attn)
        attn = self.attn_drop(attn)
        out = self.attn_matmul_v(attn, v)
        out = ops.transpose(out, (0, 2, 1, 3))
        out = ops.reshape(out, (b, n, c))
        out = self.out(out)
        out = self.out_drop(out)

        return out

构建前馈神经网络和残差连接

class FeedForward(nn.Cell):
# 参数：输入特征的维度、隐藏层特征的维度、输出特征的维度、激活函数、保留概率
    def __init__(self,
                 in_features: int,
                 hidden_features: Optional[int] = None,
                 out_features: Optional[int] = None,
                 activation: nn.Cell = nn.GELU,
                 keep_prob: float = 1.0):
        super(FeedForward, self).__init__()
        out_features = out_features or in_features
        hidden_features = hidden_features or in_features
        # 全连接层1
        self.dense1 = nn.Dense(in_features, hidden_features)
        self.activation = activation()
        # 全连接层2
        self.dense2 = nn.Dense(hidden_features, out_features)
        self.dropout = nn.Dropout(p=1.0-keep_prob)

    def construct(self, x):
        """Feed Forward construct."""
        x = self.dense1(x)
        x = self.activation(x)
        x = self.dropout(x)
        x = self.dense2(x)
        x = self.dropout(x)

        return x


class ResidualCell(nn.Cell):
    def __init__(self, cell):
        super(ResidualCell, self).__init__()
        self.cell = cell

    def construct(self, x):
    	# 将输入直接添加到输出
        return self.cell(x) + x

构建encoder

class TransformerEncoder(nn.Cell):
    def __init__(self,
                 dim: int,
                 num_layers: int,
                 num_heads: int,
                 mlp_dim: int,
                 keep_prob: float = 1.,
                 attention_keep_prob: float = 1.0,
                 drop_path_keep_prob: float = 1.0,
                 activation: nn.Cell = nn.GELU,
                 norm: nn.Cell = nn.LayerNorm):
        super(TransformerEncoder, self).__init__()
        layers = []
		# 使用刚刚定义的注意力类和前馈网络类构建encoder
        for _ in range(num_layers):
        # 包含两个归一化层、一个注意力层、一个前馈神经网络层
            normalization1 = norm((dim,))
            normalization2 = norm((dim,))
            attention = Attention(dim=dim,
                                  num_heads=num_heads,
                                  keep_prob=keep_prob,
                                  attention_keep_prob=attention_keep_prob)

            feedforward = FeedForward(in_features=dim,
                                      hidden_features=mlp_dim,
                                      activation=activation,
                                      keep_prob=keep_prob)
			# 将这些层用残差连接包装起来
            layers.append(
                nn.SequentialCell([
                    ResidualCell(nn.SequentialCell([normalization1, attention])),
                    ResidualCell(nn.SequentialCell([normalization2, feedforward]))
                ])
            )
        self.layers = nn.SequentialCell(layers)

    def construct(self, x):
        return self.layers(x)

如何将二维图片矩阵转化为一维词向量呢？
在Vit中，使用卷积将输入图像在每个channel上划分为16*16个patch，再将patch拉伸为一维向量。这样就接近词向量堆叠的效果。

class PatchEmbedding(nn.Cell):
    MIN_NUM_PATCHES = 4
	# 假设图像输入是24*24
    def __init__(self,
                 image_size: int = 224,
                 patch_size: int = 16,
                 embed_dim: int = 768,
                 input_channels: int = 3):
        super(PatchEmbedding, self).__init__()

        self.image_size = image_size
        self.patch_size = patch_size
        self.num_patches = (image_size // patch_size) ** 2
        self.conv = nn.Conv2d(input_channels, embed_dim, kernel_size=patch_size, stride=patch_size, has_bias=True)

    def construct(self, x):
        """Path Embedding construct."""
        x = self.conv(x)
        b, c, h, w = x.shape
        x = ops.reshape(x, (b, c, h * w))
        x = ops.transpose(x, (0, 2, 1))

        return x

划分为patch后，会经过两个过程

  • class_embedding：在word vector之前增加一个类别标记，是一个可学习的参数
  • pos_embedding：将位置信息加入到patch矩阵中，是一个可学习的参数

构建完整模型

def init(init_type, shape, dtype, name, requires_grad):
    initial = initializer(init_type, shape, dtype).init_data()
    return Parameter(initial, name=name, requires_grad=requires_grad)


class ViT(nn.Cell):
    def __init__(self,
                 image_size: int = 224,
                 input_channels: int = 3,
                 patch_size: int = 16,
                 embed_dim: int = 768,
                 num_layers: int = 12,
                 num_heads: int = 12,
                 mlp_dim: int = 3072,
                 keep_prob: float = 1.0,
                 attention_keep_prob: float = 1.0,
                 drop_path_keep_prob: float = 1.0,
                 activation: nn.Cell = nn.GELU,
                 norm: Optional[nn.Cell] = nn.LayerNorm,
                 pool: str = 'cls') -> None:
        super(ViT, self).__init__()
		# 先转化patch
        self.patch_embedding = PatchEmbedding(image_size=image_size,
                                              patch_size=patch_size,
                                              embed_dim=embed_dim,
                                              input_channels=input_channels)
        num_patches = self.patch_embedding.num_patches
		# 加入cls token
        self.cls_token = init(init_type=Normal(sigma=1.0),
                              shape=(1, 1, embed_dim),
                              dtype=ms.float32,
                              name='cls',
                              requires_grad=True)
		# 加入pos embedding
        self.pos_embedding = init(init_type=Normal(sigma=1.0),
                                  shape=(1, num_patches + 1, embed_dim),
                                  dtype=ms.float32,
                                  name='pos_embedding',
                                  requires_grad=True)

        self.pool = pool
        self.pos_dropout = nn.Dropout(p=1.0-keep_prob)
        self.norm = norm((embed_dim,))
        self.transformer = TransformerEncoder(dim=embed_dim,
                                              num_layers=num_layers,
                                              num_heads=num_heads,
                                              mlp_dim=mlp_dim,
                                              keep_prob=keep_prob,
                                              attention_keep_prob=attention_keep_prob,
                                              drop_path_keep_prob=drop_path_keep_prob,
                                              activation=activation,
                                              norm=norm)
        self.dropout = nn.Dropout(p=1.0-keep_prob)
        self.dense = nn.Dense(embed_dim, num_classes)

    def construct(self, x):
        """ViT construct."""
        x = self.patch_embedding(x)
        cls_tokens = ops.tile(self.cls_token.astype(x.dtype), (x.shape[0], 1, 1))
        x = ops.concat((cls_tokens, x), axis=1)
        x += self.pos_embedding

        x = self.pos_dropout(x)
        x = self.transformer(x)
        x = self.norm(x)
        x = x[:, 0]
        if self.training:
            x = self.dropout(x)
        x = self.dense(x)

        return x

模型训练

# define super parameter
epoch_size = 10
momentum = 0.9
num_classes = 1000
resize = 224
step_size = dataset_train.get_dataset_size()

# construct model
network = ViT()

# load ckpt
vit_url = "https://download.mindspore.cn/vision/classification/vit_b_16_224.ckpt"
path = "./ckpt/vit_b_16_224.ckpt"

vit_path = download(vit_url, path, replace=True)
param_dict = ms.load_checkpoint(vit_path)
ms.load_param_into_net(network, param_dict)

# 学习率衰减函数
lr = nn.cosine_decay_lr(min_lr=float(0),
                        max_lr=0.00005,
                        total_step=epoch_size * step_size,
                        step_per_epoch=step_size,
                        decay_epoch=10)

# 定义优化器
network_opt = nn.Adam(network.trainable_params(), lr, momentum)

# 定义损失函数
class CrossEntropySmooth(LossBase):
    def __init__(self, sparse=True, reduction='mean', smooth_factor=0., num_classes=1000):
        super(CrossEntropySmooth, self).__init__()
        self.onehot = ops.OneHot()
        self.sparse = sparse
        self.on_value = ms.Tensor(1.0 - smooth_factor, ms.float32)
        self.off_value = ms.Tensor(1.0 * smooth_factor / (num_classes - 1), ms.float32)
        self.ce = nn.SoftmaxCrossEntropyWithLogits(reduction=reduction)

    def construct(self, logit, label):
        if self.sparse:
            label = self.onehot(label, ops.shape(logit)[1], self.on_value, self.off_value)
        loss = self.ce(logit, label)
        return loss


network_loss = CrossEntropySmooth(sparse=True,
                                  reduction="mean",
                                  smooth_factor=0.1,
                                  num_classes=num_classes)

# set checkpoint
ckpt_config = CheckpointConfig(save_checkpoint_steps=step_size, keep_checkpoint_max=100)
ckpt_callback = ModelCheckpoint(prefix='vit_b_16', directory='./ViT', config=ckpt_config)

# initialize model
# "Ascend + mixed precision" can improve performance
ascend_target = (ms.get_context("device_target") == "Ascend")
if ascend_target:
    model = train.Model(network, loss_fn=network_loss, optimizer=network_opt, metrics={"acc"}, amp_level="O2")
else:
    model = train.Model(network, loss_fn=network_loss, optimizer=network_opt, metrics={"acc"}, amp_level="O0")

# train model
model.train(epoch_size,
            dataset_train,
            callbacks=[ckpt_callback, LossMonitor(125), TimeMonitor(125)],
            dataset_sink_mode=False,)

模型评价

dataset_val = ImageFolderDataset(os.path.join(data_path, "val"), shuffle=True)

trans_val = [
    transforms.Decode(),
    transforms.Resize(224 + 32),
    transforms.CenterCrop(224),
    transforms.Normalize(mean=mean, std=std),
    transforms.HWC2CHW()
]

dataset_val = dataset_val.map(operations=trans_val, input_columns=["image"])
dataset_val = dataset_val.batch(batch_size=16, drop_remainder=True)

# construct model
network = ViT()

# load ckpt
param_dict = ms.load_checkpoint(vit_path)
ms.load_param_into_net(network, param_dict)

network_loss = CrossEntropySmooth(sparse=True,
                                  reduction="mean",
                                  smooth_factor=0.1,
                                  num_classes=num_classes)

# 使用Top_1_Accuracy和Top_5_Accuracy评价
eval_metrics = {'Top_1_Accuracy': train.Top1CategoricalAccuracy(),
                'Top_5_Accuracy': train.Top5CategoricalAccuracy()}

if ascend_target:
    model = train.Model(network, loss_fn=network_loss, optimizer=network_opt, metrics=eval_metrics, amp_level="O2")
else:
    model = train.Model(network, loss_fn=network_loss, optimizer=network_opt, metrics=eval_metrics, amp_level="O0")

# evaluate model
result = model.eval(dataset_val)
print(result)

总结

本章使用ImageNet的数据集上完成了ViT模型的构建和推理，学习了ViT网络的构成。

打卡凭证

在这里插入图片描述


http://www.niftyadmin.cn/n/5558292.html

相关文章

JuiceFS缓存特性

JuiceFS缓存特性

缓存 对于一个由对象存储和数据库组合驱动的文件系统，缓存是本地客户端与远端服务之间高效交互的重要纽带。读写的数据可以提前或者异步载入缓存，再由客户端在后台与远端服务交互执行异步上传或预取数据。相比直接与远端服务交互，采用缓存技…
阅读更多...
llama.cpp

llama.cpp

文章目录 一、关于 llama.cpp支持的模型：Multimodal models:Bindings:UI:Tools: 二、Demo1、Typical run using LLaMA v2 13B on M2 Ultra2、Demo of running both LLaMA-7B and whisper.cpp on a single M1 Pro MacBook 三、用法1、基本用法2、对话模式3、网络服务…
阅读更多...
React Native 自定义 Hook 获取组件位置和大小

React Native 自定义 Hook 获取组件位置和大小

在 React Native 中自定义 Hook useLayout 获取 View、Pressable 等组件的位置和大小的信息 import {useState, useCallback} from react import {LayoutChangeEvent, LayoutRectangle} from react-nativeexport function useLayout() {const [layout, setLayout] useState&l…
阅读更多...
Modbus转Ethernet/IP网关模块与汇川PLC通讯案例

Modbus转Ethernet/IP网关模块与汇川PLC通讯案例

Modbus转Ethernet/IP网关模块（XD-MDEP100）是一种用于将Modbus协议转换为Ethernet/IP协议的设备。它可以将Modbus RTU和Modbus TCP两种不同格式的Modbus数据包转换为Ethernet/IP协议的数据包，实现不同厂家的设备之间的数据交换和共享。在汇川P…
阅读更多...
【力扣】重排链表

【力扣】重排链表

一、题目描述 题目链接： . - 力扣（LeetCode） 二、解题思路 找到链表的中间节点，将链表分为两部分（可使用快慢双指针）将后半部分链表逆序（双指针或头插法）合并两个链表 一定要注意…
阅读更多...
debian 实现离线批量安装软件包

debian 实现离线批量安装软件包

前言 实现在线缓冲需要的软件和对应依赖的包，离线进行安装 ，用于软件封装。 测试下载一个gcc和依赖环境，关闭默认在线源，测试离线安装gcc和依赖环境 兼容 debian ubuntu/test 测试下载安装包到目录 vim /repo_download.sh #!…
阅读更多...
python项目读取oracle数据库方法（cx_Oracle库实现）

python项目读取oracle数据库方法（cx_Oracle库实现）

目录 创建一个python项目，并配置运行环境 查看oracle对应数据库版本（该标题下内容只是为了查看版本，不用在意） 从oracle官网下载对应版本的oracle客户端 解压下载的压缩包，并获取依赖 将依赖文件导入python项目运…
阅读更多...
基于JAVA+SpringBoot+Vue+uniapp的微信小程序点餐平台

基于JAVA+SpringBoot+Vue+uniapp的微信小程序点餐平台

✌全网粉丝20W,csdn特邀作者、博客专家、CSDN新星计划导师、java领域优质创作者,博客之星、掘金/华为云/阿里云/InfoQ等平台优质作者、专注于Java技术领域和毕业项目实战✌ 🍅文末获取项目下载方式🍅 一、项目背景介绍： 点餐小程序主要为小个…
阅读更多...
最新文章

Copyright @ 2022~2023