扩张邻域注意力Transformer
概述
DiNAT 由 Ali Hassani 和 Humphrey Shi 在 扩张邻域注意力Transformer 中提出。
它通过添加一个扩张邻域注意力模式来扩展 NAT，以捕获全局上下文，并展示了相对于它的显著性能提升。
论文中的摘要如下
Transformer 正在迅速成为跨模式、领域和任务应用最广泛的深度学习架构之一。在视觉领域，除了对普通 Transformer 的持续努力之外，分层 Transformer 也因其性能和易于集成到现有框架中而获得了极大的关注。这些模型通常采用局部注意力机制，例如滑动窗口邻域注意力 (NA) 或 Swin Transformer 的移位窗口自注意力。虽然在减少自注意力的二次复杂度方面很有效，但局部注意力削弱了自注意力的两个最理想的特性：远程相互依赖建模和全局感受野。在本文中，我们引入了扩张邻域注意力 (DiNA)，这是一种自然、灵活且高效的 NA 扩展，可以捕获更多全局上下文，并在不增加任何额外成本的情况下呈指数级扩展感受野。NA 的局部注意力和 DiNA 的稀疏全局注意力相互补充，因此我们引入了扩张邻域注意力 Transformer (DiNAT)，这是一种基于两者构建的新的分层视觉 Transformer。DiNAT 变体比 NAT、Swin 和 ConvNeXt 等强大的基线模型具有显著的改进。我们的大型模型比其 Swin 对比模型快，在 COCO 对象检测中 box AP 高出 1.5%，在 COCO 实例分割中 mask AP 高出 1.3%，在 ADE20K 语义分割中 mIoU 高出 1.1%。与新框架相结合，我们的大型变体是 COCO 上最新的最先进的全景分割模型 (58.2 PQ) 和 ADE20K (48.5 PQ)，以及 Cityscapes 上的实例分割模型 (44.5 AP) 和 ADE20K (35.4 AP)（无额外数据）。它还与 ADE20K 上最先进的专业语义分割模型相匹配 (58.2 mIoU)，并且在 Cityscapes 上排名第二 (84.5 mIoU)（无额外数据）。
不同扩张值的邻域注意力。摘自 原始论文。此模型由 Ali Hassani 贡献。原始代码可以在这里找到 这里。
使用技巧
DiNAT 可以用作 backbone。当 output_hidden_states = True 时，它将输出 hidden_states 和 reshaped_hidden_states。reshaped_hidden_states 的形状为 (batch, num_channels, height, width) 而不是 (batch_size, height, width, num_channels)。
备注
- DiNAT 依赖于 NATTEN 对邻域注意力和扩张邻域注意力的实现。你可以通过参考 shi-labs.com/natten 使用预编译的 Linux 轮子安装它，或者通过运行
pip install natten在你的系统上构建。请注意，后者可能需要一段时间来编译。NATTEN 目前不支持 Windows 设备。 - 目前仅支持 4 的补丁大小。
资源
以下是官方 Hugging Face 和社区 (由 🌎 表示) 资源列表，帮助你开始使用 DiNAT。
- DinatForImageClassification 由此 示例脚本 和 笔记本 支持。
- 另请参阅：图像分类任务指南
如果你有兴趣提交要包含在此处的资源，请随时打开 Pull Request，我们会进行审查！理想情况下，该资源应该展示一些新内容，而不是重复现有的资源。
DinatConfig
class transformers.DinatConfig
< 源代码 >( patch_size = 4 num_channels = 3 embed_dim = 64 depths = [3, 4, 6, 5] num_heads = [2, 4, 8, 16] kernel_size = 7 dilations = [[1, 8, 1], [1, 4, 1, 4], [1, 2, 1, 2, 1, 2], [1, 1, 1, 1, 1]] mlp_ratio = 3.0 qkv_bias = True hidden_dropout_prob = 0.0 attention_probs_dropout_prob = 0.0 drop_path_rate = 0.1 hidden_act = 'gelu' initializer_range = 0.02 layer_norm_eps = 1e-05 layer_scale_init_value = 0.0 out_features = None out_indices = None **kwargs )
参数
- patch_size (
int, 可选, 默认值为 4) — 每个补丁的大小 (分辨率)。注意：目前仅支持 4 的补丁大小。 - num_channels (
int, 可选, 默认为 3) — 输入通道数。 - embed_dim (
int, 可选, 默认为 64) — Patch embedding 的维度。 - depths (
List[int], 可选, 默认为[3, 4, 6, 5]) — 编码器中每个级别中的层数。 - num_heads (
List[int], 可选, 默认为[2, 4, 8, 16]) — Transformer 编码器中每层的注意力头数。 - kernel_size (
int, 可选, 默认为 7) — 邻域注意力内核大小。 - dilations (
List[List[int]], 可选, 默认为[[1, 8, 1], [1, 4, 1, 4], [1, 2, 1, 2, 1, 2], [1, 1, 1, 1, 1]]) — Transformer 编码器中每个 NA 层的膨胀值。 - mlp_ratio (
float, 可选, 默认为 3.0) — MLP 隐藏维度与 embedding 维度之比。 - qkv_bias (
bool, 可选, 默认为True) — 是否应该向查询、键和值添加可学习的偏差。 - hidden_dropout_prob (
float, 可选, 默认为 0.0) — embedding 和编码器中所有全连接层的 dropout 概率。 - attention_probs_dropout_prob (
float, 可选, 默认为 0.0) — 注意力概率的 dropout 比率。 - initializer_range (
float，可选，默认为 0.02) — 用于初始化所有权重矩阵的 truncated_normal_initializer 的标准差。 - layer_norm_eps (
float，可选，默认为 1e-05) — 层归一化层使用的 epsilon。 - layer_scale_init_value (
float，可选，默认为 0.0) — 层尺度的初始值。 如果 <=0 则禁用。 - out_features (
List[str]，可选) — 如果用作主干，则输出特征的列表。 可以是"stem"、"stage1"、"stage2"等（取决于模型有多少个阶段）。 如果未设置并且out_indices已设置，则默认为相应阶段。 如果未设置并且out_indices未设置，则默认为最后一个阶段。 必须按stage_names属性中定义的顺序排列。 - out_indices (
List[int]，可选) — 如果用作主干，则输出特征的索引列表。 可以是 0、1、2 等（取决于模型有多少个阶段）。 如果未设置并且out_features已设置，则默认为相应阶段。 如果未设置并且out_features未设置，则默认为最后一个阶段。 必须按stage_names属性中定义的顺序排列。
这是一个用于存储 DinatModel 配置的配置类。 它用于根据指定的参数实例化 Dinat 模型，定义模型架构。 使用默认值实例化配置将产生与 Dinat shi-labs/dinat-mini-in1k-224 架构类似的配置。
配置对象继承自 PretrainedConfig，可用于控制模型输出。 阅读来自 PretrainedConfig 的文档以获取更多信息。
示例
>>> from transformers import DinatConfig, DinatModel
>>> # Initializing a Dinat shi-labs/dinat-mini-in1k-224 style configuration
>>> configuration = DinatConfig()
>>> # Initializing a model (with random weights) from the shi-labs/dinat-mini-in1k-224 style configuration
>>> model = DinatModel(configuration)
>>> # Accessing the model configuration
>>> configuration = model.configDinatModel
class transformers.DinatModel
< 源代码 >( config add_pooling_layer = True )
参数
- config (DinatConfig) — 模型配置类，包含模型的所有参数。 使用配置文件初始化不会加载与模型关联的权重，只会加载配置。 查看 from_pretrained() 方法以加载模型权重。
不带任何特定头的裸 Dinat 模型转换器，输出原始隐藏状态。 此模型是 PyTorch torch.nn.Module 子类。 将其用作常规的 PyTorch 模块，并参考 PyTorch 文档以了解有关一般用法和行为的所有事项。
forward
< 源代码 >( pixel_values: Optional = None output_attentions: Optional = None output_hidden_states: Optional = None return_dict: Optional = None ) → transformers.models.dinat.modeling_dinat.DinatModelOutput 或 tuple(torch.FloatTensor)
参数
- pixel_values (
torch.FloatTensor形状为(batch_size, num_channels, height, width)) — 像素值。像素值可以通过 AutoImageProcessor 获得。更多细节请参考 ViTImageProcessor.call()。 - output_attentions (
bool, 可选) — 是否返回所有注意力层的注意力张量。更多细节请参考返回张量中的attentions。 - output_hidden_states (
bool, 可选) — 是否返回所有层的隐藏状态。更多细节请参考返回张量中的hidden_states。 - return_dict (
bool, 可选) — 是否返回 ModelOutput 而不是普通元组。
返回值
transformers.models.dinat.modeling_dinat.DinatModelOutput 或 tuple(torch.FloatTensor)
一个 transformers.models.dinat.modeling_dinat.DinatModelOutput 或者一个 torch.FloatTensor 元组（如果传递了 return_dict=False 或 config.return_dict=False），包含根据配置（DinatConfig）和输入而变化的各种元素。
-
last_hidden_state (
torch.FloatTensor形状为(batch_size, sequence_length, hidden_size)) — 模型最后一层输出处的隐藏状态序列。 -
pooler_output (
torch.FloatTensor形状为(batch_size, hidden_size), 可选, 当传递add_pooling_layer=True时返回) — 最后一层隐藏状态的平均池化。 -
hidden_states (
tuple(torch.FloatTensor), 可选, 当传递output_hidden_states=True或config.output_hidden_states=True时返回) —torch.FloatTensor元组（一个用于嵌入的输出，一个用于每个阶段的输出）形状为(batch_size, sequence_length, hidden_size)。模型在每个层输出处的隐藏状态，加上初始嵌入输出。
-
attentions (
tuple(torch.FloatTensor), 可选, 当传递output_attentions=True或config.output_attentions=True时返回) —torch.FloatTensor元组（每个阶段一个）形状为(batch_size, num_heads, sequence_length, sequence_length)。注意力softmax后的注意力权重，用于计算自注意力头的加权平均。
-
reshaped_hidden_states (
tuple(torch.FloatTensor), 可选, 当传递output_hidden_states=True或config.output_hidden_states=True时返回) —torch.FloatTensor元组（一个用于嵌入的输出，一个用于每个阶段的输出）形状为(batch_size, hidden_size, height, width)。模型在每个层输出处的隐藏状态，加上初始嵌入输出，重塑为包含空间维度的形状。
DinatModel 的 forward 方法覆盖了 __call__ 特殊方法。
虽然前向传递的配方需要在这个函数内定义，但应该随后调用 Module 实例，而不是这个函数，因为前者负责运行预处理和后处理步骤，而后者则默默地忽略它们。
示例
>>> from transformers import AutoImageProcessor, DinatModel
>>> import torch
>>> from datasets import load_dataset
>>> dataset = load_dataset("huggingface/cats-image", trust_remote_code=True)
>>> image = dataset["test"]["image"][0]
>>> image_processor = AutoImageProcessor.from_pretrained("shi-labs/dinat-mini-in1k-224")
>>> model = DinatModel.from_pretrained("shi-labs/dinat-mini-in1k-224")
>>> inputs = image_processor(image, return_tensors="pt")
>>> with torch.no_grad():
... outputs = model(**inputs)
>>> last_hidden_states = outputs.last_hidden_state
>>> list(last_hidden_states.shape)
[1, 7, 7, 512]DinatForImageClassification
class transformers.DinatForImageClassification
< 源代码 >( config )
参数
- config (DinatConfig) — 模型配置类，包含模型的所有参数。用配置文件初始化不会加载与模型相关的权重，只会加载配置。请查看 from_pretrained() 方法以加载模型权重。
Dinat 模型变压器，在顶部有一个图像分类头（在 [CLS] 标记的最终隐藏状态顶部有一个线性层），例如用于 ImageNet。
此模型是 PyTorch torch.nn.Module 子类。将其用作常规 PyTorch 模块，并参考 PyTorch 文档了解与一般用法和行为相关的所有事项。
forward
< 源代码 >( pixel_values: Optional = None labels: Optional = None output_attentions: Optional = None output_hidden_states: Optional = None return_dict: Optional = None ) → transformers.models.dinat.modeling_dinat.DinatImageClassifierOutput 或 tuple(torch.FloatTensor)
参数
- pixel_values (
torch.FloatTensor形状为(batch_size, num_channels, height, width)) — 像素值。可以使用 AutoImageProcessor 获取像素值。有关详细信息，请参阅 ViTImageProcessor.call()。 - output_attentions (
bool, 可选) — 是否返回所有注意力层的注意力张量。有关更多详细信息，请参阅返回张量下的attentions。 - output_hidden_states (
bool, 可选) — 是否返回所有层的隐藏状态。有关更多详细信息，请参阅返回张量下的hidden_states。 - return_dict (
bool, 可选) — 是否返回 ModelOutput 而不是普通元组。 - labels (
torch.LongTensor形状为(batch_size,), 可选) — 用于计算图像分类/回归损失的标签。索引应在[0, ..., config.num_labels - 1]中。如果config.num_labels == 1，则计算回归损失（均方损失），如果config.num_labels > 1，则计算分类损失（交叉熵）。
返回值
transformers.models.dinat.modeling_dinat.DinatImageClassifierOutput 或 tuple(torch.FloatTensor)
一个 transformers.models.dinat.modeling_dinat.DinatImageClassifierOutput 或 torch.FloatTensor 的元组（如果传递了 return_dict=False 或当 config.return_dict=False 时），包含取决于配置 (DinatConfig) 和输入的不同元素。
-
loss (
torch.FloatTensor形状为(1,), 可选, 当提供labels时返回) — 分类（或如果 config.num_labels==1 则为回归）损失。 -
logits (
torch.FloatTensor形状为(batch_size, config.num_labels)) — 分类（或如果 config.num_labels==1 则为回归）分数（在 SoftMax 之前）。 -
hidden_states (
tuple(torch.FloatTensor), 可选, 当传递output_hidden_states=True或config.output_hidden_states=True时返回) —torch.FloatTensor元组（一个用于嵌入的输出，一个用于每个阶段的输出）形状为(batch_size, sequence_length, hidden_size)。模型在每个层输出处的隐藏状态，加上初始嵌入输出。
-
attentions (
tuple(torch.FloatTensor), 可选, 当传递output_attentions=True或config.output_attentions=True时返回) —torch.FloatTensor元组（每个阶段一个）形状为(batch_size, num_heads, sequence_length, sequence_length)。注意力softmax后的注意力权重，用于计算自注意力头的加权平均。
-
reshaped_hidden_states (
tuple(torch.FloatTensor), 可选, 当传递output_hidden_states=True或config.output_hidden_states=True时返回) —torch.FloatTensor元组（一个用于嵌入的输出，一个用于每个阶段的输出）形状为(batch_size, hidden_size, height, width)。模型在每个层输出处的隐藏状态，加上初始嵌入输出，重塑为包含空间维度的形状。
该 DinatForImageClassification 正向方法覆盖 __call__ 特殊方法。
虽然前向传递的配方需要在这个函数内定义，但应该随后调用 Module 实例，而不是这个函数，因为前者负责运行预处理和后处理步骤，而后者则默默地忽略它们。
示例
>>> from transformers import AutoImageProcessor, DinatForImageClassification
>>> import torch
>>> from datasets import load_dataset
>>> dataset = load_dataset("huggingface/cats-image", trust_remote_code=True)
>>> image = dataset["test"]["image"][0]
>>> image_processor = AutoImageProcessor.from_pretrained("shi-labs/dinat-mini-in1k-224")
>>> model = DinatForImageClassification.from_pretrained("shi-labs/dinat-mini-in1k-224")
>>> inputs = image_processor(image, return_tensors="pt")
>>> with torch.no_grad():
... logits = model(**inputs).logits
>>> # model predicts one of the 1000 ImageNet classes
>>> predicted_label = logits.argmax(-1).item()
>>> print(model.config.id2label[predicted_label])
tabby, tabby cat