膨胀邻域注意力 Transformer

概述

DiNAT 在 Dilated Neighborhood Attention Transformer 中由 Ali Hassani 和 Humphrey Shi 提出。

它通过添加膨胀邻域注意力模式来捕获全局上下文，扩展了 NAT，并显示出比它显着的性能改进。

论文的摘要如下：

Transformer 正在迅速成为跨模态、领域和任务应用最广泛的深度学习架构之一。在视觉领域，除了正在进行的普通 Transformer 的研究之外，分层 Transformer 也因其性能和易于集成到现有框架中而受到广泛关注。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。虽然局部注意力有效地降低了自注意力的二次复杂度，但局部注意力削弱了自注意力最令人向往的两个特性：远程依赖关系建模和全局感受野。在本文中，我们介绍了膨胀邻域注意力 (DiNA)，它是 NA 的一种自然、灵活且高效的扩展，可以捕获更多全局上下文并以指数方式扩展感受野，而无需额外成本。NA 的局部注意力和 DiNA 的稀疏全局注意力相互补充，因此我们介绍了膨胀邻域注意力 Transformer (DiNAT)，这是一种建立在两者之上的新型分层视觉 Transformer。DiNAT 变体在 NAT、Swin 和 ConvNeXt 等强大的基线上享受显着改进。我们的大型模型比其 Swin 同类产品更快，并在 COCO 对象检测中领先 1.5% 的 box AP，在 COCO 实例分割中领先 1.3% 的 mask AP，在 ADE20K 语义分割中领先 1.1% 的 mIoU。与新框架配对后，我们的大型变体成为 COCO (58.2 PQ) 和 ADE20K (48.5 PQ) 上新的最先进的全景分割模型，以及 Cityscapes (44.5 AP) 和 ADE20K (35.4 AP) 上的实例分割模型（无需额外数据）。它还在 ADE20K (58.2 mIoU) 上与最先进的专业语义分割模型相匹配，并在 Cityscapes (84.5 mIoU) 上排名第二（无需额外数据）。

具有不同膨胀值的邻域注意力。取自原始论文。

此模型由 Ali Hassani 贡献。原始代码可以在此处找到。

使用技巧

DiNAT 可以用作骨干网络。当 output_hidden_states = True 时，它将同时输出 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)。

注意

DiNAT 依赖于 NATTEN 对邻域注意力和膨胀邻域注意力的实现。您可以通过参考 shi-labs.com/natten 安装 Linux 预构建 wheel，或者通过运行 pip install natten 在您的系统上构建。请注意，后者可能需要一些时间来编译。NATTEN 尚不支持 Windows 设备。
目前仅支持 patch size 为 4。

资源

Hugging Face 官方和社区（🌎 表示）资源列表，可帮助您开始使用 DiNAT。

图像分类

DinatForImageClassification 由此示例脚本和notebook支持。
另请参阅：图像分类任务指南

如果您有兴趣提交资源以包含在此处，请随时打开 Pull Request，我们将对其进行审核！该资源最好展示一些新的东西，而不是重复现有资源。

DinatConfig

class transformers.DinatConfig

< source >

( 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, 默认为 4) — 每个 patch 的大小（分辨率）。注意：目前仅支持 patch size 为 4。
num_channels (int, 可选, 默认为 3) — 输入通道数。
embed_dim (int, 可选, 默认为 64) — patch 嵌入的维度。
depths (List[int], 可选, 默认为 [3, 4, 6, 5]) — 编码器每个级别的层数。
num_heads (List[int], 可选, 默认为 [2, 4, 8, 16]) — Transformer 编码器每一层中的注意力头数。
kernel_size (int, 可选, 默认为 7) — 邻域注意力 kernel 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, optional, defaults to 3.0) — MLP 隐藏层维度与嵌入层维度的比率。
qkv_bias (bool, optional, defaults to True) — 是否将可学习的偏置添加到 queries、keys 和 values 中。
hidden_dropout_prob (float, optional, defaults to 0.0) — 嵌入层和编码器中所有全连接层的 dropout 概率。
attention_probs_dropout_prob (float, optional, defaults to 0.0) — attention 概率的 dropout 比率。
drop_path_rate (float, optional, defaults to 0.1) — 随机深度率。
hidden_act (str or function, optional, defaults to "gelu") — 编码器中的非线性激活函数（函数或字符串）。如果是字符串，则支持 "gelu"、"relu"、"selu" 和 "gelu_new"。
initializer_range (float, optional, defaults to 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, optional, defaults to 1e-05) — layer normalization 层使用的 epsilon 值。
layer_scale_init_value (float, optional, defaults to 0.0) — 层缩放的初始值。如果 <=0，则禁用。
out_features (List[str], optional) — 如果用作骨干网络，则输出的特征列表。可以是 "stem"、"stage1"、"stage2" 等中的任何一个（取决于模型有多少个阶段）。如果未设置且设置了 out_indices，则默认为相应的阶段。如果未设置且 out_indices 也未设置，则默认为最后一个阶段。必须与 stage_names 属性中定义的顺序相同。
out_indices (List[int], optional) — 如果用作骨干网络，则输出的特征索引列表。可以是 0、1、2 等中的任何一个（取决于模型有多少个阶段）。如果未设置且设置了 out_features，则默认为相应的阶段。如果未设置且 out_features 也未设置，则默认为最后一个阶段。必须与 stage_names 属性中定义的顺序相同。

这是用于存储 DinatModel 配置的配置类。它用于根据指定的参数实例化 Dinat 模型，从而定义模型架构。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。有关更多信息，请阅读 PretrainedConfig 的文档。

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.config

DinatModel

class transformers.DinatModel

< source >

( config add_pooling_layer = True )

参数

config (DinatConfig) — 包含模型所有参数的模型配置类。使用配置文件初始化不会加载与模型关联的权重，仅加载配置。查看 from_pretrained() 方法以加载模型权重。

裸 Dinat 模型 Transformer，输出原始隐藏状态，顶部没有任何特定的 head。此模型是 PyTorch torch.nn.Module 子类。将其用作常规 PyTorch 模块，并参考 PyTorch 文档了解所有与常规用法和行为相关的事项。

forward

< source >

( pixel_values: typing.Optional[torch.FloatTensor] = None output_attentions: typing.Optional[bool] = None output_hidden_states: typing.Optional[bool] = None return_dict: typing.Optional[bool] = None ) → transformers.models.dinat.modeling_dinat.DinatModelOutput or tuple(torch.FloatTensor)

参数

pixel_values (torch.FloatTensor，形状为 (batch_size, num_channels, height, width)) — 像素值。像素值可以使用 AutoImageProcessor 获得。有关详细信息，请参阅 ViTImageProcessor.call()。
output_attentions (bool, optional) — 是否返回所有 attention 层的 attention 张量。有关更多详细信息，请参阅返回张量下的 attentions。
output_hidden_states (bool, optional) — 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, optional) — 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)

transformers.models.dinat.modeling_dinat.DinatModelOutput 或 torch.FloatTensor 元组（如果传递 return_dict=False 或当 config.return_dict=False 时），其中包含取决于配置 (DinatConfig) 和输入的各种元素。

last_hidden_state (torch.FloatTensor，形状为 (batch_size, sequence_length, hidden_size)) — 模型最后一层输出端的隐藏状态序列。
pooler_output (torch.FloatTensor，形状为 (batch_size, hidden_size)，optional，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)，optional，当传递 output_hidden_states=True 或当 config.output_hidden_states=True 时返回) — torch.FloatTensor 元组（每个嵌入输出对应一个，每个阶段输出对应一个），形状为 (batch_size, sequence_length, hidden_size)。

模型在每一层输出端的隐藏状态，加上初始嵌入输出。
attentions (tuple(torch.FloatTensor)，optional，当传递 output_attentions=True 或当 config.output_attentions=True 时返回) — torch.FloatTensor 元组（每个阶段对应一个），形状为 (batch_size, num_heads, sequence_length, sequence_length)。

attention softmax 之后的 attention 权重，用于计算自注意力头中的加权平均值。
reshaped_hidden_states (tuple(torch.FloatTensor)，optional，当传递 output_hidden_states=True 或当 config.output_hidden_states=True 时返回) — torch.FloatTensor 元组（每个嵌入输出对应一个，每个阶段输出对应一个），形状为 (batch_size, hidden_size, height, width)。

模型在每一层输出端的隐藏状态，加上已重塑为包含空间维度的初始嵌入输出。

DinatModel forward 方法覆盖了 __call__ 特殊方法。

虽然 forward 传递的配方需要在该函数内定义，但应在之后调用 Module 实例而不是此函数，因为前者负责运行预处理和后处理步骤，而后者会静默地忽略它们。

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

< source >

( config )

参数

config (DinatConfig) — 包含模型所有参数的模型配置类。使用配置文件初始化不会加载与模型关联的权重，仅加载配置。查看 from_pretrained() 方法以加载模型权重。

Dinat 模型 Transformer，顶部带有图像分类 head（[CLS] token 的最终隐藏状态之上的线性层），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 文档了解所有与常规用法和行为相关的事项。

forward

< source >

( pixel_values: typing.Optional[torch.FloatTensor] = None labels: typing.Optional[torch.LongTensor] = None output_attentions: typing.Optional[bool] = None output_hidden_states: typing.Optional[bool] = None return_dict: typing.Optional[bool] = None ) → transformers.models.dinat.modeling_dinat.DinatImageClassifierOutput or tuple(torch.FloatTensor)

参数

pixel_values (torch.FloatTensor, 形状为 (batch_size, num_channels, height, width)) — 像素值。像素值可以使用 AutoImageProcessor 获得。详情请参阅 ViTImageProcessor.call()。
output_attentions (bool, 可选) — 是否返回所有注意力层的注意力张量。更多详情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。更多详情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] 范围内。如果 config.num_labels == 1，则计算回归损失（均方误差损失）。如果 config.num_labels > 1，则计算分类损失（交叉熵损失）。

返回值

transformers.models.dinat.modeling_dinat.DinatImageClassifierOutput or tuple(torch.FloatTensor)

transformers.models.dinat.modeling_dinat.DinatImageClassifierOutput 或 torch.FloatTensor 元组（如果传递 return_dict=False 或当 config.return_dict=False 时），包含取决于配置 (DinatConfig) 和输入的各种元素。

loss (torch.FloatTensor, 形状为 (1,), 可选, 当提供 labels 时返回) — 分类（或回归，如果 config.num_labels==1）损失。
logits (torch.FloatTensor, 形状为 (batch_size, config.num_labels)) — 分类（或回归，如果 config.num_labels==1）得分（SoftMax 之前）。
hidden_states (tuple(torch.FloatTensor)，optional，当传递 output_hidden_states=True 或当 config.output_hidden_states=True 时返回) — torch.FloatTensor 元组（每个嵌入输出对应一个，每个阶段输出对应一个），形状为 (batch_size, sequence_length, hidden_size)。

模型在每一层输出端的隐藏状态，加上初始嵌入输出。
attentions (tuple(torch.FloatTensor)，optional，当传递 output_attentions=True 或当 config.output_attentions=True 时返回) — torch.FloatTensor 元组（每个阶段对应一个），形状为 (batch_size, num_heads, sequence_length, sequence_length)。

attention softmax 之后的 attention 权重，用于计算自注意力头中的加权平均值。
reshaped_hidden_states (tuple(torch.FloatTensor)，optional，当传递 output_hidden_states=True 或当 config.output_hidden_states=True 时返回) — torch.FloatTensor 元组（每个嵌入输出对应一个，每个阶段输出对应一个），形状为 (batch_size, hidden_size, height, width)。

模型在每一层输出端的隐藏状态，加上已重塑为包含空间维度的初始嵌入输出。

DinatForImageClassification 的 forward 方法，覆盖了 __call__ 特殊方法。

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

< > 在 GitHub 上更新

Transformers

膨胀邻域注意力 Transformer

概述

使用技巧

资源

DinatConfig

class transformers.DinatConfig

DinatModel

class transformers.DinatModel

forward

DinatForImageClassification

class transformers.DinatForImageClassification

forward