转载于：GiantPandaCV
作者：zzk

介绍

Vision Transformer!的提出让我们看到了Transformer模型在图像方向的潜力，但其有一些缺点，如需要超大型数据集（JFT）预训练，才能达到现在CNN的精度。本文分析了ViT的一些不合理之处：

直接将图片分块展开成一维向量不利于对图片结构信息（如边缘，线条）建模
冗余的Attention模块限制了特征表达，并带来运算负担

基于上述两点，本文提出Tokens to Token Transformer，采用类似CNN中卷积划窗的方式，将相邻的tokens局部聚合起来，有助于建模局部特征。另外还设计了一种deep narrow（个人理解是深+窄的网络结构）结构，减少了运算量，并获得性能上的提升。

特征可视化分析

特征图可视化

本文先分析了Resnet50，Vision Transformer，T2T Transformer的特征可视化。其中绿框标注的是浅层特征，如边缘，线条。红框标注的是一些零值或过大值。

我们先从熟悉的CNN看起，在比较浅的层中，网络学习到的更多是结构信息，比如对这只小狗边缘的刻画。随着层数加深，通道数变深，特征也越来越抽象（conv50我反正是看不出是什么）。

再来看ViT，他每层都能很好的建模全局信息，即使是很深的层当中，也没有所谓非常抽象的东西。但它对结构信息捕捉的很少，（个人认为是没有类似CNN卷积核划窗的操作，导致对局部信息捕捉不够？）。除此之外，在一些特征图出现了极值，如全白和全黑的特征，对于最终预测可能是没有贡献的。

最后看下T2T，通过Token to Token结构（下文会讲），它在浅层的时候也能建模出结构信息，同时也避免了极值的出现。

Token To Token结构

T2T结构

Vision Transformer是将二维图片展平成一维向量（也叫token），然后送入到Transoformer结构里。而T2T为了捕捉局部信息，它将所有的token通过reshape操作，恢复成二维，然后利用一个unfold一个划窗操作，属于一个窗口的tokens，会连接成一个更长的token，然后送入到Transformer中。

这样会逐渐减少token的数量，但随之而来token的长度会增加很多（因为多个tokens连接在一个token），因此后续模型也降低了维度数目，以平衡计算量。

关于Unfold操作

Unfold操作其实就是卷积中用到的img2col方法，将一个卷积窗口的向量，重排成一个列向量。

下面是一段测试代码

import torch  
import numpy as np  
  
np_input = np.array([[[[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]]]]).astype(np.float32)  
  
torch_input = torch.Tensor(np_input)  
  
unfold = torch.nn.Unfold(kernel_size=2, padding=0, stride=1)  
unfolded = unfold(torch_input)  
  
print(unfolded)  
  
# 输出为  
tensor([[[ 1.,  2.,  4.,  5.],  
         [ 2.,  3.,  5.,  6.],  
         [ 4.,  5.,  7.,  8.],  
         [ 5.,  6.,  8.,  9.],  
         [10., 11., 13., 14.],  
         [11., 12., 14., 15.],  
         [13., 14., 16., 17.],  
         [14., 15., 17., 18.],  
         [19., 20., 22., 23.],  
         [20., 21., 23., 24.],  
         [22., 23., 25., 26.],  
         [23., 24., 26., 27.],  
         [28., 29., 31., 32.],  
         [29., 30., 32., 33.],  
         [31., 32., 34., 35.],  
         [32., 33., 35., 36.]]])

这是对应的示意图

Img2Col

整体架构

T2T架构如上图所示，先经过2次Tokens to Token操作，最后给token加入用于图像分类的cls token，并给上位置编码（position embedding)，送入到Backbone当中。

Backbone设计探索

现今CNN探索出了很多结构，比如Resnet残差结构，DenseNet密集连接，GhostNet生成冗余特征，SE注意力模块，ResNext多头分组卷积等。作者基于这些思想进行了一系列模型设计，实验，最终结论如下

更深更窄（Deep Narrow）的ViT结构比更浅更宽（Shallow Wide ）的性能更好
DenseNet的密集concat结构均使ViT和T2T-ViT性能下降
SE注意力模块均能提升ViT和T2T-ViT的性能
ResNext结构对于ViT和T2T-ViT的性能提升很微弱
GhostNet结构可以进一步压缩模型大小，但同样会损失一定性能基于上述实验，作者选择了Deep Narrow的结构形式

结构对比

代码解读

Token Transformer

class Token_transformer(nn.Module):  
  
    def __init__(self, dim, in_dim, num_heads, mlp_ratio=1., qkv_bias=False, qk_scale=None, drop=0., attn_drop=0.,  
                 drop_path=0., act_layer=nn.GELU, norm_layer=nn.LayerNorm):  
        super().__init__()  
        self.norm1 = norm_layer(dim)  
        self.attn = Attention(  
            dim, in_dim=in_dim, num_heads=num_heads, qkv_bias=qkv_bias, qk_scale=qk_scale, attn_drop=attn_drop, proj_drop=drop)  
        self.drop_path = DropPath(drop_path) if drop_path > 0. else nn.Identity()  
        self.norm2 = norm_layer(in_dim)  
        self.mlp = Mlp(in_features=in_dim, hidden_features=int(in_dim*mlp_ratio), out_features=in_dim, act_layer=act_layer, drop=drop)  
  
    def forward(self, x):  
        x = self.attn(self.norm1(x))  
        x = x + self.drop_path(self.mlp(self.norm2(x)))  
        return x

整体结构很简单，输入经过一次LayerNorm，然后输入到Attention多头注意力模块。输出再次经过LayerNorm，最后设置一定比例的Dropout

T2T Module

class T2T_module(nn.Module):  
    """  
    Tokens-to-Token encoding module  
    """  
  
    def __init__(self, img_size=224, tokens_type='performer', in_chans=3, embed_dim=768, token_dim=64):  
        super().__init__()  
  
        if tokens_type == 'transformer':  
            print('adopt transformer encoder for tokens-to-token')  
            self.soft_split0 = nn.Unfold(kernel_size=(7, 7), stride=(4, 4), padding=(2, 2))  
            self.soft_split1 = nn.Unfold(kernel_size=(3, 3), stride=(2, 2), padding=(1, 1))  
            self.soft_split2 = nn.Unfold(kernel_size=(3, 3), stride=(2, 2), padding=(1, 1))  
  
            self.attention1 = Token_transformer(dim=in_chans * 7 * 7, in_dim=token_dim, num_heads=1, mlp_ratio=1.0)  
            self.attention2 = Token_transformer(dim=token_dim * 3 * 3, in_dim=token_dim, num_heads=1, mlp_ratio=1.0)  
            self.project = nn.Linear(token_dim * 3 * 3, embed_dim)  
  
        elif tokens_type == 'performer':  
            ...  
        elif tokens_type == 'convolution':  # just for comparison with conolution, not our model  
            # for this tokens type, you need change forward as three convolution operation  
            ...  
        self.num_patches = (img_size // (4 * 2 * 2)) * (  
                    img_size // (4 * 2 * 2))  # there are 3 sfot split, stride are 4,2,2 seperately  
    def forward(self, x):  
        # step0: soft split  
        x = self.soft_split0(x).transpose(1, 2)  
  
        # iteration1: restricturization/reconstruction  
        x = self.attention1(x)  
        B, new_HW, C = x.shape  
        x = x.transpose(1, 2).reshape(B, C, int(np.sqrt(new_HW)), int(np.sqrt(new_HW)))  
        # iteration1: soft split  
        x = self.soft_split1(x).transpose(1, 2)  
  
        # iteration2: restricturization/reconstruction  
        x = self.attention2(x)  
        B, new_HW, C = x.shape  
        x = x.transpose(1, 2).reshape(B, C, int(np.sqrt(new_HW)), int(np.sqrt(new_HW)))  
        # iteration2: soft split  
        x = self.soft_split2(x).transpose(1, 2)  
  
        # final tokens  
        x = self.project(x)  
  
        return x

首先设置三个划窗大小分别为7x7, 3x3, 3x3的Unfold操作，和两个Token Transformer模块。

假设输入数据格式是

在forward中，先进行一次soft\_split操作，数据变为

然后进行一次transpose操作，将通道维调整到最后一维度

送入到Attention模块后，再把通道维调整回来

最后reshape成4维数据

再重复上述类似的步骤，最后经过一个全连接层，调整通道数到合适的Embedding dim。

T2T ViT

这是整体结构的代码

class T2T_ViT(nn.Module):  
    def __init__(self, img_size=224, tokens_type='performer', in_chans=3, num_classes=1000, embed_dim=768, depth=12,  
                 num_heads=12, mlp_ratio=4., qkv_bias=False, qk_scale=None, drop_rate=0., attn_drop_rate=0.,  
                 drop_path_rate=0., norm_layer=nn.LayerNorm):  
        super().__init__()  
        self.num_classes = num_classes  
        self.num_features = self.embed_dim = embed_dim  # num_features for consistency with other models  
  
        self.tokens_to_token = T2T_module(  
            img_size=img_size, tokens_type=tokens_type, in_chans=in_chans, embed_dim=embed_dim)  
        num_patches = self.tokens_to_token.num_patches  
  
        self.cls_token = nn.Parameter(torch.zeros(1, 1, embed_dim))  
        self.pos_embed = nn.Parameter(data=get_sinusoid_encoding(n_position=num_patches + 1, d_hid=embed_dim),  
                                      requires_grad=False)  
        self.pos_drop = nn.Dropout(p=drop_rate)  
  
        dpr = [x.item() for x in torch.linspace(0, drop_path_rate, depth)]  # stochastic depth decay rule  
        self.blocks = nn.ModuleList([  
            Block(  
                dim=embed_dim, num_heads=num_heads, mlp_ratio=mlp_ratio, qkv_bias=qkv_bias, qk_scale=qk_scale,  
                drop=drop_rate, attn_drop=attn_drop_rate, drop_path=dpr[i], norm_layer=norm_layer)  
            for i in range(depth)])  
        self.norm = norm_layer(embed_dim)  
  
        # Classifier head  
        self.head = nn.Linear(embed_dim, num_classes) if num_classes > 0 else nn.Identity()  
  
        trunc_normal_(self.cls_token, std=.02)  
        self.apply(self._init_weights)  
  
    ...忽略一些其他的方法  
  
    def forward_features(self, x):  
        B = x.shape[0]  
        x = self.tokens_to_token(x)  
  
        cls_tokens = self.cls_token.expand(B, -1, -1)  
        x = torch.cat((cls_tokens, x), dim=1)  
        x = x + self.pos_embed  
        x = self.pos_drop(x)  
  
        for blk in self.blocks:  
            x = blk(x)  
  
        x = self.norm(x)  
        return x[:, 0]  
  
    def forward(self, x):  
        x = self.forward_features(x)  
        x = self.head(x)  
        return x

整个架构是将输入数据通过T2Tmodule，然后设立一个分类的token(cls\_tokens)，将其concat到x中，并加入position embedding（这里是用一个可学习参数作为位置编码）。处理好后，输入到一个个叠起来的Transformer Block，最后取第一个token（也就是cls\_tokens)，输入到分类层，得到最终结果。

总结

依图科技近期也开源了相关代码 yitu-opensource/ T2T-ViT，大家有兴趣的话可以试验下代码。

个人感觉这篇论文还是偏工程化的，通过分析初版Vision Transformer的缺点，提出T2T结构，并且在BackBone上，以CNN的视角重新探索，将CNN的优点结合起来，最终效果也是十分不错的，期待后续CNN结合Transformer的相关工作。

推荐阅读

更多嵌入式AI技术干货请关注嵌入式AI专栏。

解析 Token to Token Vision Transformer

介绍