Transformers 文档

膨胀邻域注意力转换器

Hugging Face's logo
加入 Hugging Face 社区

并获得增强文档体验

开始使用

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)。

drawing 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_statesreshaped_hidden_statesreshaped_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。

图像分类

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

< >

( 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。
  • hidden_act (strfunction可选,默认为 "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""gelu_new"
  • 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

< >

( 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

< >

( pixel_values: Optional = None output_attentions: Optional = None output_hidden_states: Optional = None return_dict: Optional = None ) transformers.models.dinat.modeling_dinat.DinatModelOutputtuple(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.DinatModelOutputtuple(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=Falseconfig.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=Trueconfig.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=Trueconfig.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=Trueconfig.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

< >

( 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

< >

( 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.DinatImageClassifierOutputtuple(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.DinatImageClassifierOutputtuple(torch.FloatTensor)

一个 transformers.models.dinat.modeling_dinat.DinatImageClassifierOutputtorch.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=Trueconfig.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=Trueconfig.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=Trueconfig.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。

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
< > 在 GitHub 上更新