Transformers 文档

Neighborhood Attention Transformer

Hugging Face's logo
加入 Hugging Face 社区

并获得增强的文档体验

开始使用

Neighborhood Attention Transformer

PyTorch

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%。

drawing Neighborhood Attention 与其他注意力模式的比较。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。

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_statesreshaped_hidden_statesreshaped_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。

图像分类

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

< >

( 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 (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)。如果为字符串,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 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

< >

( 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

< >

( 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.NatModelOutputtuple(torch.FloatTensor)

参数

  • pixel_values (形状为 (batch_size, num_channels, height, width)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.NatModelOutputtuple(torch.FloatTensor)

一个 transformers.models.deprecated.nat.modeling_nat.NatModelOutputtorch.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)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)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)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)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)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

< >

( 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

< >

( 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.NatImageClassifierOutputtuple(torch.FloatTensor)

一个 transformers.models.deprecated.nat.modeling_nat.NatImageClassifierOutputtorch.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)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)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)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
< > 在 GitHub 上更新