FocalNet
概述
FocalNet 模型由 Jianwei Yang、Chunyuan Li、Xiyang Dai、Lu Yuan 和 Jianfeng Gao 在Focal Modulation Networks 中提出。FocalNet 完全取代了自注意力机制(用于 ViT 和 Swin 等模型中),采用焦点调制机制对视觉中的标记交互进行建模。作者声称,在图像分类、目标检测和分割任务中,FocalNet 的性能优于具有相似计算成本的自注意力模型。
论文摘要如下:
我们提出了焦点调制网络(简称 FocalNet),其中自注意力(SA)完全被焦点调制机制所取代,用于对视觉中的标记交互进行建模。焦点调制包括三个组成部分:(i) 使用一堆深度卷积层实现的层次化上下文,用于编码从短距离到长距离的视觉上下文,(ii) 基于每个查询标记的内容选择性地收集上下文的门控聚合,以及 (iii) 将聚合的上下文注入查询的元素级调制或仿射变换。大量实验表明,在图像分类、目标检测和分割任务中,FocalNet 的性能优于具有相似计算成本的最先进的 SA 模型(例如 Swin 和 Focal Transformer)。具体来说,微型和基本尺寸的 FocalNet 在 ImageNet-1K 上分别实现了 82.3% 和 83.9% 的 top-1 准确率。在 ImageNet-22K 上以 224 分辨率进行预训练后,当以 224 和 384 分辨率进行微调时,它分别获得了 86.5% 和 87.3% 的 top-1 准确率。当迁移到下游任务时,FocalNet 表现出明显的优势。对于使用 Mask R-CNN 进行的目标检测,以 1 倍时间表训练的 FocalNet 基础模型比 Swin 模型高出 2.1 个百分点,并且已经超过了以 3 倍时间表训练的 Swin 模型(49.0 对 48.5)。对于使用 UPerNet 进行的语义分割,单尺度 FocalNet 基础模型比 Swin 模型高出 2.4 个百分点,并且在多尺度上也优于 Swin 模型(50.5 对 49.7)。使用大型 FocalNet 和 Mask2former,我们在 ADE20K 语义分割上实现了 58.5 mIoU,在 COCO 全景分割上实现了 57.9 PQ。使用巨型 FocalNet 和 DINO,我们在 COCO minival 和 test-dev 上分别实现了 64.3 和 64.4 mAP,在 Swinv2-G 和 BEIT-3 等更大的注意力模型的基础上,建立了新的 SOTA。
FocalNetConfig
类 transformers.FocalNetConfig
< 源代码 >( image_size = 224 patch_size = 4 num_channels = 3 embed_dim = 96 use_conv_embed = False hidden_sizes = [192, 384, 768, 768] depths = [2, 2, 6, 2] focal_levels = [2, 2, 2, 2] focal_windows = [3, 3, 3, 3] hidden_act = 'gelu' mlp_ratio = 4.0 hidden_dropout_prob = 0.0 drop_path_rate = 0.1 use_layerscale = False layerscale_value = 0.0001 use_post_layernorm = False use_post_layernorm_in_modulation = False normalize_modulator = False initializer_range = 0.02 layer_norm_eps = 1e-05 encoder_stride = 32 out_features = None out_indices = None **kwargs )
参数
- image_size (
int
, 可选, 默认值: 224) — 每张图片的大小(分辨率)。 - patch_size (
int
, 可选, 默认值: 4) — 嵌入层中每个补丁的大小(分辨率)。 - num_channels (
int
, 可选, 默认值: 3) — 输入通道的数量。 - embed_dim (
int
, 可选, 默认值: 96) — 补丁嵌入的维度。 - use_conv_embed (
bool
, *可选*, 默认值:False
) — 是否使用卷积嵌入。作者指出,使用卷积嵌入通常可以提高性能,但默认情况下不使用。 - hidden_sizes (
List[int]
, *可选*, 默认值:[192, 384, 768, 768]
) — 每个阶段的维度 (隐藏大小)。 - depths (
list(int)
, *可选*, 默认值:[2, 2, 6, 2]
) — 编码器中每个阶段的深度 (层数)。 - focal_levels (
list(int)
, *可选*, 默认值:[2, 2, 2, 2]
) — 编码器中各个阶段各层的焦点级别数。 - focal_windows (
list(int)
, *可选*, 默认值:[3, 3, 3, 3]
) — 编码器中各个阶段各层的焦点窗口大小。 - hidden_act (
str
或function
, *可选*, 默认值:"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"
。 - mlp_ratio (
float
, *可选*, 默认值: 4.0) — MLP 隐藏维度与嵌入维度的比率。 - hidden_dropout_prob (
float
, *可选*, 默认值: 0.0) — 嵌入和编码器中所有全连接层的 dropout 概率。 - drop_path_rate (
float
, *可选*, 默认值为 0.1) — 随机深度比率。 - use_layerscale (
bool
, *可选*, 默认值为False
) — 是否在编码器中使用层级缩放。 - layerscale_value (
float
, *可选*, 默认值为 0.0001) — 层级缩放的初始值。 - use_post_layernorm (
bool
, *可选*, 默认值为False
) — 是否在编码器中使用后层归一化。 - use_post_layernorm_in_modulation (
bool
, *可选*, 默认值为False
) — 是否在调制层中使用后层归一化。 - normalize_modulator (
bool
, *可选*, 默认值为False
) — 是否对调制器进行归一化。 - initializer_range (
float
, *可选*, 默认值为 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*, 默认值为 1e-05) — 层归一化层使用的 epsilon。 - encoder_stride (
int
, 可选, 默认值为 32) — 用于在掩码图像建模的解码器头部增加空间分辨率的因子。 - out_features (
List[str]
, 可选) — 如果用作主干网络,则为要输出的特征列表。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out_indices
已设置,则默认为相应的阶段。如果未设置且out_indices
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]
, 可选) — 如果用作主干网络,则为要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out_features
已设置,则默认为相应的阶段。如果未设置且out_features
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 FocalNetModel 配置的配置类。它用于根据指定的参数实例化 FocalNet 模型,定义模型架构。使用默认值实例化配置将产生与 FocalNet microsoft/focalnet-tiny 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 FocalNetConfig, FocalNetModel
>>> # Initializing a FocalNet microsoft/focalnet-tiny style configuration
>>> configuration = FocalNetConfig()
>>> # Initializing a model (with random weights) from the microsoft/focalnet-tiny style configuration
>>> model = FocalNetModel(configuration)
>>> # Accessing the model configuration
>>> configuration = model.config
FocalNetModel
类 transformers.FocalNetModel
< 源代码 >( config add_pooling_layer = True use_mask_token = False )
参数
- config (FocalNetConfig) — 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。请查看 from_pretrained() 方法以加载模型权重。
FocalNet 模型输出原始隐藏状态,顶部没有任何特定头部。此模型是 PyTorch torch.nn.Module 子类。将其用作常规 PyTorch 模块,并参考 PyTorch 文档以获取有关一般使用和行为的所有信息。
forward
< source >( pixel_values: Optional = None bool_masked_pos: Optional = None output_hidden_states: Optional = None return_dict: Optional = None ) → transformers.models.focalnet.modeling_focalnet.FocalNetModelOutput
or tuple(torch.FloatTensor)
参数
- pixel_values (
torch.FloatTensor
类型为(batch_size, num_channels, height, width)
) — 像素值。像素值可以使用 AutoImageProcessor 获取。有关详细信息,请参阅AutoImageProcessor.__call__()
。 - output_hidden_states (
bool
, 可选) — 是否返回所有层的隐藏状态。有关详细信息,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。 - bool_masked_pos (
torch.BoolTensor
类型为(batch_size, num_patches)
) — 布尔掩码位置。指示哪些补丁被掩码 (1) 和哪些没有被掩码 (0)。
返回值
transformers.models.focalnet.modeling_focalnet.FocalNetModelOutput
或 tuple(torch.FloatTensor)
一个 transformers.models.focalnet.modeling_focalnet.FocalNetModelOutput
或一个 torch.FloatTensor
元组(如果传递了 return_dict=False
或当 config.return_dict=False
时),根据配置(FocalNetConfig)和输入包含各种元素。
-
last_hidden_state (
torch.FloatTensor
类型为(batch_size, sequence_length, hidden_size)
) — 模型最后一层输出的隐藏状态序列。 -
pooler_output (
torch.FloatTensor
类型为(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
或当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),类型为(batch_size, sequence_length, hidden_size)
。模型在每一层输出处的隐藏状态以及初始嵌入输出。
-
reshaped_hidden_states (
tuple(torch.FloatTensor)
, 可选,当传递output_hidden_states=True
或当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),类型为(batch_size, hidden_size, height, width)
。模型在每一层输出处的隐藏状态以及初始嵌入输出,经过整形以包含空间维度。
FocalNetModel 正向方法会覆盖 __call__
特殊方法。
尽管需要在此函数中定义正向传递的配方,但之后应该调用 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,而后者会默默地忽略它们。
示例
>>> from transformers import AutoImageProcessor, FocalNetModel
>>> 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("microsoft/focalnet-tiny")
>>> model = FocalNetModel.from_pretrained("microsoft/focalnet-tiny")
>>> 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, 49, 768]
FocalNetForMaskedImageModeling
类 transformers.FocalNetForMaskedImageModeling
< 源代码 >( config )
参数
- config (FocalNetConfig) — 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,而只会加载配置。 查看 from_pretrained() 方法来加载模型权重。
顶部带有解码器的 FocalNet 模型,用于掩码图像建模。
这遵循与 SimMIM 中相同的实现。
请注意,我们在 示例目录 中提供了一个脚本,用于在自定义数据上预训练此模型。
此模型是一个 PyTorch torch.nn.Module 子类。 将其用作常规 PyTorch 模块,并参考 PyTorch 文档以获取有关一般用法和行为的所有内容。
forward
< 源代码 >( pixel_values: Optional = None bool_masked_pos: Optional = None output_hidden_states: Optional = None return_dict: Optional = None ) → transformers.models.focalnet.modeling_focalnet.FocalNetMaskedImageModelingOutput
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AutoImageProcessor.__call__()
。 - output_hidden_states (
bool
, 可选) — 是否返回所有层的隐藏状态。有关详细信息,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。 - bool_masked_pos (
torch.BoolTensor
形状为(batch_size, num_patches)
) — 布尔掩码位置。指示哪些补丁被掩码 (1) 和哪些没有被掩码 (0)。
返回值
transformers.models.focalnet.modeling_focalnet.FocalNetMaskedImageModelingOutput
或 tuple(torch.FloatTensor)
一个 transformers.models.focalnet.modeling_focalnet.FocalNetMaskedImageModelingOutput
或一个 torch.FloatTensor
的元组(如果传递了 return_dict=False
或当 config.return_dict=False
时),根据配置 (FocalNetConfig) 和输入包含各种元素。
-
loss (
torch.FloatTensor
形状为(1,)
, 可选,当提供bool_masked_pos
时返回) — 掩码图像建模 (MLM) 损失。 -
reconstruction (
torch.FloatTensor
形状为(batch_size, num_channels, height, width)
) — 重建的像素值。 -
hidden_states (
tuple(torch.FloatTensor)
, 可选,当传递output_hidden_states=True
或当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),类型为(batch_size, sequence_length, hidden_size)
。模型在每一层输出处的隐藏状态以及初始嵌入输出。
-
reshaped_hidden_states (
tuple(torch.FloatTensor)
, 可选,当传递output_hidden_states=True
或当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),类型为(batch_size, hidden_size, height, width)
。模型在每一层输出处的隐藏状态以及初始嵌入输出,经过整形以包含空间维度。
该 FocalNetForMaskedImageModeling 前向方法,覆盖了 __call__
特殊方法。
尽管需要在此函数中定义正向传递的配方,但之后应该调用 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,而后者会默默地忽略它们。
示例
>>> from transformers import AutoImageProcessor, FocalNetConfig, FocalNetForMaskedImageModeling
>>> import torch
>>> from PIL import Image
>>> import requests
>>> url = "http://images.cocodataset.org/val2017/000000039769.jpg"
>>> image = Image.open(requests.get(url, stream=True).raw)
>>> image_processor = AutoImageProcessor.from_pretrained("microsoft/focalnet-base-simmim-window6-192")
>>> config = FocalNetConfig()
>>> model = FocalNetForMaskedImageModeling(config)
>>> num_patches = (model.config.image_size // model.config.patch_size) ** 2
>>> pixel_values = image_processor(images=image, return_tensors="pt").pixel_values
>>> # create random boolean mask of shape (batch_size, num_patches)
>>> bool_masked_pos = torch.randint(low=0, high=2, size=(1, num_patches)).bool()
>>> outputs = model(pixel_values, bool_masked_pos=bool_masked_pos)
>>> loss, reconstructed_pixel_values = outputs.loss, outputs.logits
>>> list(reconstructed_pixel_values.shape)
[1, 3, 192, 192]
FocalNetForImageClassification
类 transformers.FocalNetForImageClassification
< 源代码 >( config )
参数
- config (FocalNetConfig) — 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() 方法来加载模型权重。
FocalNet 模型,顶部是图像分类头(在池化输出顶部有一个线性层),例如用于 ImageNet。
此模型是一个 PyTorch torch.nn.Module 子类。 将其用作常规 PyTorch 模块,并参考 PyTorch 文档以获取有关一般用法和行为的所有内容。
forward
< 源代码 >( pixel_values: Optional = None labels: Optional = None output_hidden_states: Optional = None return_dict: Optional = None ) → transformers.models.focalnet.modeling_focalnet.FocalNetImageClassifierOutput
或 tuple(torch.FloatTensor)
参数
- pixel_values (
torch.FloatTensor
,形状为(batch_size, num_channels, height, width)
) — 像素值。像素值可以使用 AutoImageProcessor 获取。有关详细信息,请参阅AutoImageProcessor.__call__()
。 - 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 而不是普通的元组。 - 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。索引应该在[0, ..., config.num_labels - 1]
中。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.focalnet.modeling_focalnet.FocalNetImageClassifierOutput
或 tuple(torch.FloatTensor)
一个 transformers.models.focalnet.modeling_focalnet.FocalNetImageClassifierOutput
或一个 torch.FloatTensor
的元组(如果传递了 return_dict=False
或 config.return_dict=False
),其中包含根据配置 (FocalNetConfig) 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(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(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
或当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),类型为(batch_size, sequence_length, hidden_size)
。模型在每一层输出处的隐藏状态以及初始嵌入输出。
-
reshaped_hidden_states (
tuple(torch.FloatTensor)
, 可选,当传递output_hidden_states=True
或当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),类型为(batch_size, hidden_size, height, width)
。模型在每一层输出处的隐藏状态以及初始嵌入输出,经过整形以包含空间维度。
FocalNetForImageClassification 的 forward 方法重载了 __call__
特殊方法。
尽管需要在此函数中定义正向传递的配方,但之后应该调用 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,而后者会默默地忽略它们。
示例
>>> from transformers import AutoImageProcessor, FocalNetForImageClassification
>>> 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("microsoft/focalnet-tiny")
>>> model = FocalNetForImageClassification.from_pretrained("microsoft/focalnet-tiny")
>>> 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