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.config
DinatModel
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