PoolFormer
概况
PoolFormer模型由Sea AI Labs在《MetaFormer实际上是你需要的视觉模型》一文中提出,该文章可参考此处。与设计复杂的分词混搭以实现SOTA(最先进)性能不同,这项工作的目标是展示Transformer模型的主要竞争力源于MetaFormer的通用架构。
该论文的摘要如下:
Transformer 在计算机视觉任务中表现出巨大潜力。一个共识是它们基于注意力的标记混合模块对其能力贡献最大。然而,近期的研究表明,Transformer 中的基于注意力的模块可以被空间 MLP 替换,并且结果模型仍能表现出色。基于这个观察,我们推测 Transformer 的通用架构,而不是特定的标记混合模块,对于模型性能更为关键。为了验证这一点,我们故意将 Transformer 中的注意力模块替换为一个明显简单的空间池化操作,仅进行最基础的标记混合。出乎意料的是,我们发现名为 PoolFormer 的由此产生的模型在多个计算机视觉任务上实现了有竞争力的性能。例如,在 ImageNet-1K 上,PoolFormer 达到了 82.1% 的 top-1 准确率,比经过精心调整的视觉 Transformer/MLP 基线 DeiT-B/ResMLP-B24 的 0.3%/1.1% 准确率高,同时参数减少了 35%/52%,MACs 减少了 48%/60%。PoolFormer 的有效性验证了我们的假设,促使我们引入“MetaFormer”的概念,这是一种从 Transformer 中抽象出的通用架构,不特定于标记混合器。基于广泛的实验,我们认为 MetaFormer 是实现最近 Transformer 和 MLP 类模型在视觉任务上取得优秀结果的关键因素。本研究呼吁未来进行更多致力于改进 MetaFormer 而不是专注于标记混合模块的研究。此外,我们提出的 PoolFormer 可以作为未来 MetaFormer 架构设计的起点。
下图展示了 PoolFormer 的架构。图片来自 原始论文。
该模型由 heytanay 贡献。原始代码可以在 此处 找到。
使用技巧
- PoolFormer 采用分层架构,其中存在一个简单的平均池化层而不是注意力机制。模型的全部检查点可以在 此 hub 上找到。
- 可以使用 PoolFormerImageProcessor 准备模型所需的图像。
- 与大多数模型一样,PoolFormer 有不同的大小,具体细节可见下表。
模型变体 | 深度 | 隐藏层大小 | 参数(M) | ImageNet-1k Top 1 |
---|---|---|---|---|
s12 | [2, 2, 6, 2] | [64, 128, 320, 512] | 12 | 77.2 |
s24 | [4, 4, 12, 4] | [64, 128, 320, 512] | 21 | 80.3 |
s36 | [6, 6, 18, 6] | [64, 128, 320, 512] | 31 | 81.4 |
m36 | [6, 6, 18, 6] | [96, 192, 384, 768] | 56 | 82.1 |
m48 | [8, 8, 24, 8] | [96, 192, 384, 768] | 73 | 82.5 |
资源
一份官方Hugging Face和社区(标有 🌎)资源列表,帮助你开始使用PoolFormer。
- PoolFormerForImageClassification 支持此 示例脚本 和 笔记本。
- 参见: 图像分类任务指南
如果您有兴趣提交在此处包含的资源,请随时提出拉取请求!该资源应 idealisically 展示一些新东西,而不是复制现有的资源。
PoolFormerConfig
类 transformers.PoolFormerConfig
< 来源 >( num_channels = 3 patch_size = 16 stride = 16 pool_size = 3 mlp_ratio = 4.0 depths = [2, 2, 6, 2] hidden_sizes = [64, 128, 320, 512] patch_sizes = [7, 3, 3, 3] strides = [4, 2, 2, 2] padding = [2, 1, 1, 1] num_encoder_blocks = 4 drop_path_rate = 0.0 hidden_act = 'gelu' use_layer_scale = True layer_scale_init_value = 1e-05 initializer_range = 0.02 **kwargs )
参数:
- num_channels (
int
, 可选, 默认为 3) — 输入图像中的通道数。 - patch_size (
int
, 可选, 默认为 16) — 输入补丁的大小。 - stride (
int
, 可选, 默认为 16) — 输入补丁的步长。 - pool_size (
int
, 可选, 默认为 3) — 池化窗口的大小。 - mlp_ratio (
float
, 可选, 默认为 4.0) — MLP 输出通道数与输入通道数的比例。 - depths (
列表
, 可选, 默认为[2, 2, 6, 2]
) — 每个编码器块的深度。 - hidden_sizes (
列表
, 可选, 默认为[64, 128, 320, 512]
) — 每个编码器块的隐藏维度。 - patch_sizes (
列表
, 可选, 默认为[7, 3, 3, 3]
) — 每个编码器块的输入补丁大小。 - strides (
列表
, 可选, 默认为[4, 2, 2, 2]
) — 每个编码器块的输入补丁步幅。 - padding(列表,可选,默认为 [2, 1, 1, 1])— 每个编码器块的输入补丁的填充值。
- num_encoder_blocks(整数,可选,默认为 4)— 编码器块的数目。
- drop_path_rate(浮点数,可选,默认为 0.0)— 丢弃路径层的dropout率。
- hidden_act(字符串,可选,默认为 "gelu")— 隐藏层的激活函数。
- 使用层缩放 (
bool
, 可选,默认为True
) — 是否使用层缩放。 - 层缩放初始化值 (
float
, 可选,默认为 1e-05) — 层缩放的初始值。 - 初始化范围 (
float
, 可选,默认为 0.02) — 权重的初始化范围。
这是存储 PoolFormerModel 配置的配置类。它用于根据指定参数实例化 PoolFormer 模型,定义模型架构。使用默认参数的配置实例将产生类似于 PoolFormer sail/poolformer_s12 架构的配置。
配置对象继承自 PretrainedConfig,并可用来控制模型输出。更多详细信息请参阅 PretrainedConfig 文档。
示例
>>> from transformers import PoolFormerConfig, PoolFormerModel
>>> # Initializing a PoolFormer sail/poolformer_s12 style configuration
>>> configuration = PoolFormerConfig()
>>> # Initializing a model (with random weights) from the sail/poolformer_s12 style configuration
>>> model = PoolFormerModel(configuration)
>>> # Accessing the model configuration
>>> configuration = model.config
PoolFormerFeatureExtractor
预处理一个或一组图像。
PoolFormerImageProcessor
类 transformers.PoolFormerImageProcessor
< source >( do_resize: bool = True size: Dict = None crop_pct: int = 0.9 resample: Resampling = <Resampling.BICUBIC: 3> do_center_crop: bool = True crop_size: Dict = None rescale_factor: Union = 0.00392156862745098 do_rescale: bool = True do_normalize: bool = True image_mean: Union = None image_std: Union = None **kwargs )
参数:
- do_resize (
bool
, 可选, 默认为True
) — 是否将图像的(高度,宽度)维度调整为指定的size
。可以被preprocess
中的do_resize
覆盖。 - size (
Dict[str, int]
可选, 默认为{"shortest_edge" -- 224}
):调整大小后的图像大小。可以被preprocess
中的size
覆盖。如果 crop_pct 未设置: - crop_pct (
float
, 可选, 默认为 0.9) — 从图像中心裁剪的百分比。可以被preprocess
中的crop_pct
覆盖。 - resample (
PILImageResampling
, 可选,默认为Resampling.BICUBIC
) — 调整图像大小时使用的重采样过滤器。可以由preprocess
方法中的resample
覆盖。 - do_center_crop (
bool
, 可选,默认为True
) — 是否进行中心裁剪图像。如果输入尺寸沿任何边缘小于crop_size
,则使用 0 进行填充然后再进行中心裁剪。可以由preprocess
方法中的do_center_crop
覆盖。 - crop_size (
Dict[str, int]
, 可选,默认为{"height" -- 224, "width": 224}
): 应用中心裁剪后的图像尺寸。仅在将do_center_crop
设置为True
时生效。可以由preprocess
方法中的crop_size
参数覆盖。 - rescale_factor (
int
或float
,可选,默认为1/255
) — 如果缩放图像时使用该缩放因子。可以通过preprocess
方法中的rescale_factor
参数进行覆盖。 - do_rescale (
bool
,可选,默认为True
) — 是否通过指定的rescale_factor
缩放图像。可以通过preprocess
方法中的do_rescale
参数进行覆盖。 - do_normalize (
bool
,可选,默认为True
) — 控制是否归一化图像。可以通过preprocess
方法中的do_normalize
参数进行覆盖。 - image_mean (
float
或List[float]
, 可选,默认为IMAGENET_STANDARD_MEAN
) — 正则化图像时使用的平均值。这是一个与图像通道数相同的 float 或 float 列表。可以通过preprocess
方法中的image_mean
参数进行覆盖。 - image_std (
float
或List[float]
, 可选,默认为IMAGENET_STANDARD_STD
) — 正则化图像时使用的标准差。这是一个与图像通道数相同的 float 或 float 列表。可以通过preprocess
方法中的image_std
参数进行覆盖。
构建 PoolFormer 图像处理器。
preprocess
< 源代码 >( images: 联合 do_resize: 布尔型 = None size: 字典 = None crop_pct: 整型 = None resample: 重采样 = None do_center_crop: 布尔型 = None crop_size: 字典 = None do_rescale: 布尔型 = None rescale_factor: 浮点型 = None do_normalize: 布尔型 = None image_mean: 联合 = None image_std: 联合 = None return_tensors: 联合 = None data_format: 通道维度 = <ChannelDimension.FIRST: 'channels_first'> input_data_format: 联合 = None )
参数:
- images (
ImageInput
) — 需要预处理的图像。期望单个或批量的图像,像素值范围从0到255。如果传入像素值在0到1之间的图像,设置do_rescale=False
。 - do_resize (
bool
, 可选, 默认self.do_resize
) — 是否缩放图像。 - size (
Dict[str, int]
, 可选, 默认self.size
) — 应用缩放后图像的大小。 - crop_pct (
float
, 可选, 默认self.crop_pct
) — 要裁剪的图像百分比。只有当do_resize
设置为True
时才有效。 - resample (
int
, 可选,默认为self.resample
) — 如果调整图像大小时使用的重采样滤波器。这可以是枚举PILImageResampling
的一个值,只有当do_resize
设置为True
时才有效。 - do_center_crop (
bool
, 可选,默认为self.do_center_crop
) — 是否中心裁剪图像。 - crop_size (
Dict[str, int]
, 可选,默认为self.crop_size
) — 应用中心裁剪后的图像大小。 - do_rescale (
bool
, 可选,默认为self.do_rescale
) — 是否将图像值缩放到 [0 - 1] 范围内。 - rescale_factor(浮点数,可选,默认为
self.rescale_factor
)— 如果设置为True
,则通过调整图像的rescale_factor
进行缩放的缩放因子。 - do_normalize(布尔值,可选,默认为
self.do_normalize
)— 是否对图像进行归一化。 - image_mean(浮点数或浮点数列表,可选,默认为
self.image_mean
)— 图像均值。 - image_std(
float
或List[float]
,可选,默认为self.image_std
)- 图像标准差。 - return_tensors(
str
或TensorType
,可选)- 返回张量的类型。可以是以下之一:- 未设置:返回一个包含
np.ndarray
的列表。 TensorType.TENSORFLOW
或'tf'
:返回一个类型为tf.Tensor
的批次。TensorType.PYTORCH
或'pt'
:返回一个类型为torch.Tensor
的批次。TensorType.NUMPY
或'np'
:返回一个类型为np.ndarray
的批次。TensorType.JAX
或'jax'
:返回一个类型为jax.numpy.ndarray
的批次。
- 未设置:返回一个包含
- data_format(
ChannelDimension
或str
,可选,默认为ChannelDimension.FIRST
)- 输出图像的通道维度格式。可以是以下之一:ChannelDimension.FIRST
:图像格式为 (num_channels, height, width)。ChannelDimension.LAST
:图像格式为 (height, width, num_channels)。
- input_data_format (
ChannelDimension
或str
,可选) — 输入图像的通道维度格式。如果未设置,则从输入图像推断通道维度格式。可以是以下之一:"channels_first"
或ChannelDimension.FIRST
:图像格式为 (num_channels, height, width)。"channels_last"
或ChannelDimension.LAST
:图像格式为 (height, width, num_channels)。"none"
或ChannelDimension.NONE
:图像格式为 (height, width)。
预处理图像或图像批。
PoolFormerModel
类 transformers.PoolFormerModel
< 源 >( 配置 )
参数:
- config (PoolFormerConfig) — 包含模型所有参数的模型配置类。使用配置文件初始化时,不会加载与模型关联的权重,只加载配置。请查看 from_pretrained() 方法以加载模型权重。
不带任何特定头部输出的原始隐藏状态的 PoolFormer 模型。这是一个 PyTorch torch.nn.Module 子类。将其作为常规 PyTorch 模块使用,并查阅 PyTorch 文档获取所有关于通用使用和行为的内容。
forward
< source >( pixel_values: Optional = None output_hidden_states: Optional = None return_dict: Optional = None ) → transformers.modeling_outputs.BaseModelOutputWithNoAttention
或 tuple(torch.FloatTensor)
参数:
返回
transformers.modeling_outputs.BaseModelOutputWithNoAttention
或 tuple(torch.FloatTensor)
示例
>>> from transformers import AutoImageProcessor, PoolFormerModel
>>> 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("sail/poolformer_s12")
>>> model = PoolFormerModel.from_pretrained("sail/poolformer_s12")
>>> 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, 512, 7, 7]
( 配置 )
参数:
PoolFormer 模型,顶部带有图像分类头
此模型是 PyTorch torch.nn.Module 子类。如常规 PyTorch 模块使用,并参考 PyTorch 文档以了解所有相关问题。
forward
( pixel_values: 可选 = None labels: 可选 = None output_hidden_states: 可选 = None return_dict: 可选 = None ) → transformers.modeling_outputs.ImageClassifierOutputWithNoAttention 或 tuple(torch.FloatTensor)
参数:
- pixel_values (
torch.FloatTensor
,形状为(batch_size, num_channels, height, width)
) — 像素值。可以通过 AutoImageProcessor 获取像素值。有关详细信息,请参阅 PoolFormerImageProcessor.call()。 - 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。索引应为[0, ..., config.num_labels - 1]
。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
transformers.modeling_outputs.ImageClassifierOutputWithNoAttention 或 tuple(torch.FloatTensor)
A transformers.modeling_outputs.ImageClassifierOutputWithNoAttention 或一个由 torch.FloatTensor
组成的元组(如果传递了 return_dict=False
或当 config.return_dict=False
时),根据配置(PoolFormerConfig)和输入包含各种元素。
- loss (形状为
(1,)
的torch.FloatTensor
,可选,当提供labels
时返回) — 分类(或当config.num_labels==1
时为回归)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)的得分(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) — 由torch.FloatTensor
组成的元组(如果模型具有嵌入层,则一个用于嵌入层的输出,一个用于每个阶段的输出)形状为(batch_size, num_channels, height, width)
。每个阶段的模型输出隐藏状态(也称为特征图)。
PoolFormerForImageClassification 前向方法,覆盖了 __call__
特殊方法。
示例
>>> from transformers import AutoImageProcessor, PoolFormerForImageClassification
>>> 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("sail/poolformer_s12")
>>> model = PoolFormerForImageClassification.from_pretrained("sail/poolformer_s12")
>>> 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