🚩🚩🚩Transformer实战-系列教程总目录
有任何问题欢迎在下面留言
本篇文章的代码运行界面均在Pycharm中进行
本篇文章配套的代码资源已经上传
点我下载源码
SwinTransformer 算法原理
SwinTransformer 源码解读1（项目配置/SwinTransformer类）
SwinTransformer 源码解读2（PatchEmbed类/BasicLayer类）
SwinTransformer 源码解读3（SwinTransformerBlock类）
SwinTransformer 源码解读4（WindowAttention类）
SwinTransformer 源码解读5（Mlp类/PatchMerging类）
6、WindowAttention类
6.1 构造函数
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
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))
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]))
coords_flatten = torch.flatten(coords, 1)
relative_coords = coords_flatten[:, :, None] - coords_flatten[:, None, :]
relative_coords = relative_coords.permute(1, 2, 0).contiguous()
relative_coords[:, :, 0] += self.window_size[0] - 1
relative_coords[:, :, 1] += self.window_size[1] - 1
relative_coords[:, :, 0] *= 2 * self.window_size[1] - 1
relative_position_index = relative_coords.sum(-1)
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)
- dim：输入特征维度
- window_size：窗口大小
- num_heads：多头注意力头数
- head_dim：每头注意力的头数
- scale ：缩放因子
- relative_position_bias_table：相对位置偏置表，它对每个头存储不同窗口位置之间的偏置，以模拟位置信息
- coords_h 、coords_w、coords：窗口内每个位置的坐标
- coords_flatten ：将坐标展平，为计算相对位置做准备
- 第1个relative_coords：计算窗口内每个位置相对于其他位置的坐标差
- 第2个relative_coords：重排坐标差的维度以符合预期的格式
- relative_coords[:, :, 0]、relative_coords[:, :, 1]、relative_coords[:, :, 0]：调整坐标差，使其能够映射到相对位置偏置表中的索引
- relative_position_index ：计算每对位置之间的相对位置索引
- register_buffer：将相对位置索引注册为模型的缓冲区，这样它就不会在训练过程中被更新
- qkv ：创建一个线性层，用于生成QKV
- attn_drop、proj、proj_drop：初始化注意力dropout、输出投影层及其dropout
- trunc_normal_：使用截断正态分布初始化相对位置偏置表
- softmax ：初始化softmax层，用于计算注意力权重
6.2 前向传播
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 x
B_, N, C = x.shape原始输入： torch.Size([256, 49, 96])，B_, N, C即原始输入的维度qkv = self.qkv(x).reshape...qkv: torch.Size([3, 256, 3, 49, 32])，被重塑的一个五维张量，分别代表qkv三个维度、256个窗口、3个注意力头数但是不会一直是3越往后会越多、49是一个窗口有7*7=49元素、每个头的特征维度。在之前的Transformer以及Vision Transformer中，都是用x接上各自的全连接后分别生成QKV，这这里直接一起生成了。- q: torch.Size([256, 3, 49, 32])，k: torch.Size([256, 3, 49, 32])，v: torch.Size([256, 3, 49, 32])，从qkv中分解出q、k、v，而且已经包含了多头注意力机制
- attn： torch.Size([256, 3, 49, 49])，attn是q和k的点积
- relative_position_bias： torch.Size([49, 49, 3])，从相对位置偏置表中索引出每对位置之间的偏置，并重塑以匹配注意力分数的形状
- relative_position_bias： torch.Size([3, 49, 49])，重新排列，位置编码在Transformer中一直当成偏置加进去的，而这个位置编码是对一个窗口的，所以每一个窗口的都对应了相同的位置编码
- attn： torch.Size([256, 3, 49, 49])，将位置编码加到注意力分数上，到这里就算完了全部的注意力机制了
- attn： torch.Size([256, 3, 49, 49])，掩码加到注意力分数上，使用softmax函数归一化注意力分数，得到注意力权重，应用注意力dropout
- x： torch.Size([256, 49, 96])，使用注意力权重对v向量进行重构，然后对结果进行转置和重塑
- x： torch.Size([256, 49, 96])，将加权的注意力输出通过一个线性投影层，应用输出dropout，这就是最后WindowAttention的输出，一共256个窗口，每个窗口有49个特征，每个特征对应96维的向量
SwinTransformer 算法原理
SwinTransformer 源码解读1（项目配置/SwinTransformer类）
SwinTransformer 源码解读2（PatchEmbed类/BasicLayer类）
SwinTransformer 源码解读3（SwinTransformerBlock类）
SwinTransformer 源码解读4（WindowAttention类）
SwinTransformer 源码解读5（Mlp类/PatchMerging类）
