当前位置：首页 > news >正文

ViT模型复现项目实战

news 2024/9/25 17:47:52

加入深度实战社区:www.zzgcz.com，免费学习所有深度学习实战项目。

1. 项目简介

本项目的目标是复现Vision Transformer（ViT）模型，通过深入理解其核心架构和应用，探索其在图像分类任务中的性能表现。ViT模型是近年来在视觉任务中取得突破性进展的深度学习模型之一，核心思想是将Transformer这种原本应用于自然语言处理的模型引入到计算机视觉领域，解决了传统卷积神经网络（CNN）在处理全局信息时的局限性。ViT模型通过将输入图像划分为若干固定大小的图块（patches），再将这些图块展平并转换为序列形式输入Transformer模型，从而捕捉图像中的长距离依赖关系。这种方法克服了CNN的局部感受野限制，在大规模数据集上取得了比CNN更优的效果。本项目通过复现ViT模型，帮助用户深入理解其在计算机视觉中的应用及优势，尤其是在图像分类、目标检测等领域的实际表现。

2.技术创新点摘要

将Transformer引入计算机视觉领域：ViT模型将Transformer这种原本用于自然语言处理的架构引入到计算机视觉领域，摒弃了传统的卷积神经网络（CNN）。这种创新性设计突破了CNN局部感受野的限制，能够更好地捕捉图像中的长距离依赖关系。

图像分割为Patch的处理方法：ViT模型通过将输入图像划分为固定大小的图块（Patch），然后将这些图块展平并作为序列输入到Transformer中进行处理。这种处理方式与传统CNN处理整幅图像的方式不同，允许ViT模型能够对全局信息进行更加灵活的建模。

使用Multi-Head Attention机制捕捉全局依赖：模型中采用了多头自注意力机制（Multi-Head Attention），能够并行处理不同位置的图像信息，有效捕捉全局依赖关系。这使得模型可以在多个头上关注图像的不同部分，增强了模型对复杂场景的理解能力。

更高效的训练和推理：ViT模型相比CNN在大规模数据集上训练时效率更高，尤其是在处理高分辨率图像和复杂任务时展现出了显著的优势。这得益于其Transformer架构的优势，使得模型在图像分类任务中的表现优于传统的卷积神经网络。

权重初始化和自监督预训练：代码中还展示了对ViT模型权重初始化的优化方案，通过自监督预训练（self-supervised pretraining）技术，进一步提升了模型的泛化能力。

3. 数据集与预处理

在本项目中使用的数据集为经典的图像分类数据集，主要用于评估ViT模型在图像分类任务中的表现。常见的数据集包括ImageNet等大规模数据集，这些数据集具有类别丰富、样本数量大、图像分辨率高等特点。项目中选用的数据集包含多种类别的图片，每个类别的样本数较为均衡，能够为模型提供丰富的特征信息，帮助模型学习更具泛化能力的特征表示。

数据预处理流程是模型训练中至关重要的一环，确保输入数据的质量和一致性。首先，对于每张输入图片，进行了统一的图像尺寸调整，确保所有图像都能适配模型的输入要求。具体来说，ViT模型通常将图片划分为固定大小的图块（例如16×16像素），因此在预处理阶段，首先需要将图像缩放到指定大小。

接下来，应用了常见的归一化操作，将像素值缩放到[0, 1]或[-1, 1]区间。这有助于加快模型的收敛速度，并防止梯度消失或爆炸。此外，归一化还可以减少各特征间的量纲差异，提高模型的鲁棒性。

为了增强模型的泛化能力，数据增强技术也在预处理阶段被广泛应用。常见的数据增强方法包括随机裁剪、水平翻转、色彩抖动和旋转等操作。这些增强方法通过生成不同的图像变体，扩大了训练数据的多样性，减少了模型过拟合的风险。

在这里插入图片描述

4. 模型架构

该项目采用了Vision Transformer（ViT）模型，其模型结构由多个Transformer块组成，具体如下：

输入层：输入图像被划分为固定大小的图块（Patch）。假设输入图像大小为 H×W×C，其中 H 为高度，W 为宽度，C为通道数。每个图像被分割为 N=HP×WP个图块， P 是每个Patch的大小。
Patch Embedding Layer：图块被展平，并通过一个线性投影层映射到固定维度的嵌入空间中。假设线性投影的输出维度为 D，则Patch的表示为：

$Z_0 = [x_1E; x_2E; \dots; x_NE] + E_{pos}$

其中，xi 是第 iii 个Patch， E是可学习的嵌入矩阵， Epos是位置编码，确保模型能够捕捉Patch的相对位置。
Transformer Block：每个Transformer块包含以下部分：
- Layer Normalization：对输入进行标准化处理。
- 多头自注意力机制（Multi-Head Attention） ： $\text{Attention}(Q, K, V) = \text{softmax}\left(\frac{QK^T}{\sqrt{d_k}}\right)V$ 其中 Q, K, V 分别是查询矩阵、键矩阵和值矩阵， dk是键的维度。
- 前馈神经网络：包含两个线性层，中间有一个激活函数（通常为GELU）。公式如下： $\text{FFN}(x) = \text{GELU}(xW_1 + b_1)W_2 + b_2$
分类层：输出层是一个线性分类器，输入的是Transformer最后一层的输出（即第一个Token的表示），用于图像分类任务。

模型的整体训练流程：

模型的训练过程分为以下几步：

前向传播：将图像输入模型，通过各层的处理，输出分类结果。
损失函数：使用交叉熵损失（CrossEntropy Loss）计算模型预测结果与真实标签之间的误差。公式为：

$\sum_{i=1}^{N} y_i \log(\hat{y_i})$

其中 yi是实际标签，yi^ 是模型预测的概率分布。
反向传播：通过计算梯度来更新模型的参数，优化目标是最小化损失函数。
评估指标：训练过程中主要采用准确率（Accuracy）作为评估指标，计算模型正确预测样本的比例：

$\text{Accuracy} = \frac{\text{正确分类的样本数}}{\text{总样本数}}$

通过该架构，模型在处理图像分类任务时展现了较强的全局建模能力，有效捕捉图像中的长距离依赖关系

5. 核心代码详细讲解

1. 数据预处理

data_transform = transforms.Compose([transforms.Resize(256),transforms.CenterCrop(224),transforms.ToTensor(),transforms.Normalize([0.5, 0.5, 0.5], [0.5, 0.5, 0.5])])

transforms.Resize(256)：将输入图像的最小边缩放到256像素。
transforms.CenterCrop(224)：从缩放后的图像中取224×224像素的中心部分。这是标准的图像分类输入尺寸。
transforms.ToTensor()：将图像从PIL格式转换为PyTorch的张量格式，并且像素值被归一化到 [0, 1]。
transforms.Normalize([0.5, 0.5, 0.5], [0.5, 0.5, 0.5])：对每个通道进行归一化，将图像的像素值缩放到[-1, 1]之间，方便模型训练。

2. Patch Embedding Layer

class PatchEmbed(nn.Module):def init(self, img_size=224, patch_size=16, in_c=3, embed_dim=768):super().
__init__
()self.img_size = img_sizeself.patch_size = patch_sizeself.num_patches = (img_size // patch_size) ** 2self.proj = nn.Conv2d(in_c, embed_dim, kernel_size=patch_size, stride=patch_size)

img_size=224：输入图像的大小为224×224像素。
patch_size=16：图像被分割为16×16的Patch。
nn.Conv2d(in_c, embed_dim, kernel_size=patch_size, stride=patch_size)：使用卷积层将图像分割为不重叠的Patch，并将其投影到嵌入维度（embed_dim），这里通过卷积的步幅等于Kernel Size实现图块划分。

3. Transformer Block

class Block(nn.Module):def init(self, dim, num_heads, mlp_ratio=4., qkv_bias=False, qk_scale=None, drop_ratio=0., attn_drop_ratio=0., drop_path_ratio=0., act_layer=nn.GELU, norm_layer=nn.LayerNorm):super(Block, self).
__init__
()self.norm1 = norm_layer(dim)self.attn = Attention(dim, num_heads=num_heads, qkv_bias=qkv_bias, qk_scale=qk_scale, attn_drop_ratio=attn_drop_ratio, proj_drop_ratio=drop_ratio)self.drop_path = DropPath(drop_path_ratio) if drop_path_ratio > 0. else nn.Identity()self.norm2 = norm_layer(dim)mlp_hidden_dim = int(dim * mlp_ratio)self.mlp = Mlp(in_features=dim, hidden_features=mlp_hidden_dim, act_layer=act_layer, drop=drop_ratio)

self.norm1 = norm_layer(dim)：Layer Normalization层，用于对输入进行标准化。
self.attn = Attention(dim, num_heads=num_heads, qkv_bias=qkv_bias)：多头自注意力机制（Attention），通过多头机制捕捉图像中不同区域的相互关系。
self.mlp = Mlp(...)：多层感知机（MLP），包含激活函数GELU及两个线性层。

4. 前向传播

def forward(self, x):x = x + self.drop_path(self.attn(self.norm1(x)))x = x + self.drop_path(self.mlp(self.norm2(x)))return x

x = x + self.drop_path(self.attn(self.norm1(x)))：首先对输入进行Layer Normalization，然后通过Attention层计算注意力得分，最后使用残差连接（Residual Connection）保留输入信息。
x = x + self.drop_path(self.mlp(self.norm2(x)))：第二步是对输出进行标准化，并通过MLP层处理，同样使用残差连接。

5. 模型训练流程

for step, data in enumerate(data_loader):images, labels = datapred = model(images.to(device))loss = loss_function(pred, labels.to(device))loss.backward()optimizer.step()optimizer.zero_grad()

images, labels = data：从数据加载器中获取一批图像和对应的标签。
pred = model(images.to(device))：将图像输入模型，得到预测结果。
loss = loss_function(pred, labels.to(device))：计算预测结果和实际标签之间的损失，这里使用的是交叉熵损失。
loss.backward()：通过反向传播算法计算损失的梯度。
optimizer.step()：更新模型的参数，使损失最小化。
optimizer.zero_grad()：清除上一步的梯度，以防止累积。

6. 模型评估

@torch.no_grad()def evaluate(model, data_loader, device):model.eval()for step, data in enumerate(data_loader):images, labels = datapred = model(images.to(device))pred_classes = torch.max(pred, dim=1)[1]accu_num += torch.eq(pred_classes, labels.to(device)).sum()return accu_num.item() / sample_num

model.eval()：将模型置于评估模式，关闭Dropout等随机操作。
pred_classes = torch.max(pred, dim=1)[1]：通过取预测值的最大索引，得到模型的预测类别。
accu_num += torch.eq(pred_classes, labels.to(device)).sum()：计算模型在当前批次中的预测正确数。

6. 模型优缺点评价

优点：

全局信息捕捉能力强：Vision Transformer（ViT）通过自注意力机制能够有效捕捉图像中不同区域之间的长距离依赖关系，与传统的卷积神经网络（CNN）相比，ViT能够更好地理解全局特征。
较少依赖卷积操作：ViT抛弃了CNN中的卷积操作，减少了对局部感受野的依赖，适合处理高分辨率图像和大规模数据。
扩展性强：ViT架构灵活，可以通过增加Transformer的深度和宽度来提高模型的能力，在大数据集上表现突出，尤其在大规模预训练后迁移到下游任务时有较好的表现。

缺点：