Transformers 文档
Neighborhood Attention Transformer
并获得增强的文档体验
开始使用
Neighborhood Attention Transformer
此模型仅处于维护模式,我们不接受任何更改其代码的新 PR。如果您在运行此模型时遇到任何问题,请重新安装支持此模型的最后一个版本:v4.40.2。您可以通过运行以下命令来执行此操作:pip install -U transformers==4.40.2
。
概述
NAT 由 Ali Hassani、Steven Walton、Jiachen Li、Shen Li 和 Humphrey Shi 在 Neighborhood Attention Transformer 中提出。
它是一种基于 Neighborhood Attention(邻域注意力)的分层视觉 Transformer,Neighborhood Attention 是一种滑动窗口自注意力模式。
论文的摘要如下:
我们提出了 Neighborhood Attention (NA),这是第一个用于视觉的高效且可扩展的滑动窗口注意力机制。 NA 是一种逐像素操作,将自注意力 (SA) 定位到最近的相邻像素,因此与 SA 的二次复杂度相比,具有线性时间和空间复杂度。滑动窗口模式允许 NA 的感受野增长,而无需额外的像素偏移,并保留了平移等变性,这与 Swin Transformer 的 Window Self Attention (WSA) 不同。我们开发了 NATTEN (Neighborhood Attention Extension),这是一个包含高效 C++ 和 CUDA 内核的 Python 包,它允许 NA 的运行速度比 Swin 的 WSA 快 40%,同时使用的内存最多减少 25%。我们进一步提出了 Neighborhood Attention Transformer (NAT),这是一种基于 NA 的新型分层 Transformer 设计,可提高图像分类和下游视觉性能。 NAT 的实验结果具有竞争力; NAT-Tiny 在 ImageNet 上达到了 83.2% 的 top-1 准确率,在 MS-COCO 上达到了 51.4% 的 mAP,在 ADE20K 上达到了 48.4% 的 mIoU,与尺寸相似的 Swin 模型相比,ImageNet 准确率提高了 1.9%,COCO mAP 提高了 1.0%,ADE20K mIoU 提高了 2.6%。

此模型由 Ali Hassani 贡献。 原始代码可以在这里找到。
使用技巧
- 可以使用 AutoImageProcessor API 为模型准备图像。
- NAT 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
- NAT 依赖于 NATTEN 对 Neighborhood Attention 的实现。 您可以通过参考 shi-labs.com/natten,使用 Linux 的预构建 wheels 安装它,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
官方 Hugging Face 和社区 (🌎 表示) 资源列表,可帮助您开始使用 NAT。
- NatForImageClassification 由此示例脚本和notebook 提供支持。
- 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。
NatConfig
class transformers.NatConfig
< source >( patch_size = 4 num_channels = 3 embed_dim = 64 depths = [3, 4, 6, 5] num_heads = [2, 4, 8, 16] kernel_size = 7 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 编码器中每层的注意力头数。 - kernel_size (
int
, 可选, 默认为 7) — 邻域注意力(Neighborhood Attention)内核大小。 - mlp_ratio (
float
, 可选, 默认为 3.0) — MLP 隐藏层维度与嵌入层维度的比率。 - qkv_bias (
bool
, 可选, 默认为True
) — 是否向 queries, keys 和 values 添加可学习的偏置。 - hidden_dropout_prob (
float
, 可选, 默认为 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
, 可选, 默认为 0.0) — 注意力概率的 dropout 比率。 - drop_path_rate (
float
, 可选, 默认为 0.1) — 随机深度比率。 - hidden_act (
str
或function
, 可选, 默认为"gelu"
) — 编码器中的非线性激活函数(函数或字符串)。如果为字符串,则支持"gelu"
,"relu"
,"selu"
和"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 值。 - layer_scale_init_value (
float
, 可选, 默认为 0.0) — 层缩放的初始值。如果 <=0,则禁用。 - out_features (
List[str]
, 可选) — 如果用作骨干网络,则输出的特征列表。可以是"stem"
,"stage1"
,"stage2"
等(取决于模型有多少个阶段)。如果未设置且设置了out_indices
,则默认为相应的阶段。如果未设置且未设置out_indices
,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) — 如果用作骨干网络,则输出的特征索引列表。可以是 0, 1, 2 等(取决于模型有多少个阶段)。如果未设置且设置了out_features
,则默认为相应的阶段。如果未设置且未设置out_features
,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 NatModel 配置的配置类。它用于根据指定的参数实例化 Nat 模型,定义模型架构。使用默认值实例化配置将产生与 Nat shi-labs/nat-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 NatConfig, NatModel
>>> # Initializing a Nat shi-labs/nat-mini-in1k-224 style configuration
>>> configuration = NatConfig()
>>> # Initializing a model (with random weights) from the shi-labs/nat-mini-in1k-224 style configuration
>>> model = NatModel(configuration)
>>> # Accessing the model configuration
>>> configuration = model.config
NatModel
class transformers.NatModel
< source >( config add_pooling_layer = True )
参数
- config (NatConfig) — 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 Nat 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 文档以了解与常规用法和行为相关的所有事项。
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.deprecated.nat.modeling_nat.NatModelOutput
或 tuple(torch.FloatTensor)
参数
- pixel_values (形状为
(batch_size, num_channels, height, width)
的torch.FloatTensor
) — 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
, 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,请参见返回张量下的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,请参见返回张量下的hidden_states
。 - return_dict (
bool
, 可选) — 是否返回 ModelOutput 而不是普通元组。
返回值
transformers.models.deprecated.nat.modeling_nat.NatModelOutput
或 tuple(torch.FloatTensor)
一个 transformers.models.deprecated.nat.modeling_nat.NatModelOutput
或 torch.FloatTensor
元组(如果传递 return_dict=False
或当 config.return_dict=False
时),包含各种元素,具体取决于配置 (NatConfig) 和输入。
-
last_hidden_state (形状为
(batch_size, sequence_length, hidden_size)
的torch.FloatTensor
) — 模型最后一层的输出处的隐藏状态序列。 -
pooler_output (形状为
(batch_size, hidden_size)
的torch.FloatTensor
, 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) — 形状为(batch_size, sequence_length, hidden_size)
的torch.FloatTensor
元组(每个嵌入输出 + 每个阶段的输出一个)。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
或当config.output_attentions=True
时返回) — 形状为(batch_size, num_heads, sequence_length, sequence_length)
的torch.FloatTensor
元组(每个阶段一个)。注意力 softmax 之后的注意力权重,用于计算自注意力头中的加权平均值。
-
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) — 形状为(batch_size, hidden_size, height, width)
的torch.FloatTensor
元组(每个嵌入输出 + 每个阶段的输出一个)。模型在每个层输出处的隐藏状态加上初始嵌入输出,并重塑为包含空间维度。
NatModel 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, NatModel
>>> 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/nat-mini-in1k-224")
>>> model = NatModel.from_pretrained("shi-labs/nat-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]
NatForImageClassification
class transformers.NatForImageClassification
< source >( config )
参数
- config (NatConfig) — 带有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相关的权重,仅加载配置。查看 from_pretrained() 方法来加载模型权重。
带有图像分类头的 Nat 模型 Transformer(在 [CLS] 标记的最终隐藏状态之上有一个线性层),例如用于 ImageNet。
此模型是 PyTorch torch.nn.Module 子类。像使用常规 PyTorch 模块一样使用它,并参阅 PyTorch 文档以了解与通用用法和行为相关的所有事项。
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.deprecated.nat.modeling_nat.NatImageClassifierOutput
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,请参见 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,请参见返回张量下的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,请参见返回张量下的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.deprecated.nat.modeling_nat.NatImageClassifierOutput
或 tuple(torch.FloatTensor)
一个 transformers.models.deprecated.nat.modeling_nat.NatImageClassifierOutput
或 torch.FloatTensor
元组(如果传递了 return_dict=False
或当 config.return_dict=False
时),包含各种元素,具体取决于配置 (NatConfig) 和输入。
-
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(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) — 形状为(batch_size, sequence_length, hidden_size)
的torch.FloatTensor
元组(每个嵌入输出 + 每个阶段的输出一个)。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
或当config.output_attentions=True
时返回) — 形状为(batch_size, num_heads, sequence_length, sequence_length)
的torch.FloatTensor
元组(每个阶段一个)。注意力 softmax 之后的注意力权重,用于计算自注意力头中的加权平均值。
-
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) — 形状为(batch_size, hidden_size, height, width)
的torch.FloatTensor
元组(每个嵌入输出 + 每个阶段的输出一个)。模型在每个层输出处的隐藏状态加上初始嵌入输出,并重塑为包含空间维度。
NatForImageClassification 前向方法,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, NatForImageClassification
>>> 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/nat-mini-in1k-224")
>>> model = NatForImageClassification.from_pretrained("shi-labs/nat-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])
tiger cat