从Transformer到ViT：多模态编码器算法原理解析与实现

从Transformer到ViT：多模态编码器算法原理解析与实现

• 模型架构与算法原理

• Image Token Embedding
• Multi-head Self-attention流程

• 线性变换
• MatMul
• Scale和softmax
• MatMul

• 前向层模块
• ADD NORM模块

• 思考
• 多模态模型应用的感想
• Paddle实现vit模型

Transformer架构是一种使用自注意力机制的神经网络，最初是由谷歌提出的，被广泛应用于自然语言处理和图像处理任务中。它是一种基于注意力机制的深度学习模型，适用于序列到序列的学习任务，例如机器翻译、语音识别、文本摘要等。

多模态Transformer前部分encoder算法是近年来在计算机视觉领域备受瞩目的研究方向之一。它的出现极大地推动了多模态信息的融合与处理，被广泛应用于图像、文本等多种数据类型的处理。

其中，Vision Transformer（ViT）是一种以Transformer为基础的视觉编码器，已经在各种视觉任务中取得了极佳的效果。本篇博客将介绍多模态Transformer前部分encoder算法的原理，重点讲解其在ViT中的实现，同时附带完整的ViT代码实现。如果您对多模态Transformer前部分encoder算法感兴趣，或是对ViT的实现方式想要深入了解，本文或许能为您提供帮助。

下面是vit模型核心架构图，下文是对模型架构各部分做了详细的介绍。

模型架构与算法原理

Image Token Embedding

模型输入一个将一张28x28x3的图片，模型先将图片切成一个16块，每一块为7x7。还是3通道的。

再将7x7，3通道的数据，并成一行，[1,7x7x3]=[1,147],
有16块那就是[16,147]。

接着将图片转为特征向量Embedding：

*=

其中就是要训练的参数，也就是下图中的Patch Embedding，

Multi-head Self-attention流程

依据模型输入的图片转换为的Image token Embedding，我们假设这个图像块集合为，每个图像块的维度为，接着将这个embedding输入到transformer中。

在transformer首先进入到Multi-head Self-attention进行以下四个步骤：线性变换、多头机制、scale和softmax、多头机制。下面我们将逐步说明这些步骤的算法流程。

线性变换

我们首先将每个图像块映射到一个10维的向量。

这个映射是通过对​​做一个线性变换得到的，具体而言，我们将乘以一个的权重矩阵得到一个10维的向量：

其中向量包含有，模型训练需要算出参数有三个变换矩阵

MatMul

我们计算每个图像块与其他所有图像块的注意力分数。具体而言，我们计算每对图像块的注意力分数，并将其用于加权求和所有图像块的向量表示。

为了计算注意力分数，我们需要先计算每对图像块之间的“相似度”

这个相似度是通过将与做点积得到的。其中，和分别是图像块和图像块通过线性变换得到的向量。这个点积的结果可以看作是两个向量的余弦相似度，用于衡量它们之间的相似程度,

Scale和softmax

然而，直接计算点积可能会因为向量维度较大而导致计算上的不稳定性，因此我们在计算前先将和除以一个缩放因子，就是特征的维度10，从而保证点积的值较小，不容易出现计算上的不稳定性，然后在进行softmax函数计算。

具体公式如下：

其中，表示向量点积运算。注意力分数的分母

是一个缩放因子，用于确保点积的结果不会过大或过小。

MatMul

最后结合向量计算出的注意力特征向量：

具体流程可以看下图

上面这种是对于自注意力的，还有一种多注意力

多注意力实现其实就是多个自注意力这样的结构结合起来，如下图所示

上面的，就是组合起来，以第一个自注意力来看，

其实就是自注意力里的

多头只是从计算上来说，每一个自注意的q不仅要与自己的k和v计算，还要结合其他的自注意的k和v计算。

最简单的例子来理解注意力，举例一个生活的例子来说

当我们将自注意力算法类比为一个学生学习一门学科的过程时，可以将看作是学生的注意力，看作是这门学科的大纲，则代表着这个学科的教材的内容。通过计算与的相似度，可以得到学生消耗注意力与大纲中不同知识点之间的分配权重，从而确定学生应该集中注意力去学习哪些知识点。最后，通过将这些权重乘以，可以得到学生学习到的知识内容。

多头注意力算法可以被类比为一个学生在学习多门学科的情况。在这种情况下，不同的学科可能具有不同的难度、内容和格式。因此，学生的注意力在不同的学科中可能有所不同。通过多头注意力算法，我们可以将学生的注意力与不同学科大纲中的知识点以及学科的教材内容相乘，从而得到不同学科下的学习成果。这样做的好处是，可以更好地利用不同学科中的优势，进一步提高学生的学习效果。

前向层模块

前向层模块由两个全连接层和一个残差连接组成。残差连接将输入直接添加到模块的输出上。全连接层包括一个线性变换和一个激活函数，其中线性变换将输入 x 乘以一个权重矩阵 W1，并加上偏置 b1，然后将结果输入激活函数进行非线性转换。激活函数通常为 ReLU。

前向层模块的计算公式如下：

其中 表示输入，和是第一个全连接层的权重矩阵和偏置向量，和

ADD NORM模块

ADD NORM 模块由一个残差连接和一个 Layer Normalization 组成。残差连接将输入直接添加到模块的输出上。Layer Normalization 用于归一化每个样本在不同维度上的特征。

ADD NORM 模块的计算公式如下：

其中 表示输入，Sublayer 表示 Transformer 模型中的一个子层（如自注意力模块或前向层模块）。

表示输入加上子层的输出。LayerNorm 对

思考

搞懂了算法各结构的原理，如下是我个人的几个思考

为什么这种transformer结构，将原始特征向量通过与上下文（或者上下图像）的相似度计算，得出的新的特征向量能够更准确的代表这个数据的特征向量呢？

Transformer 结构在自然语言处理和计算机视觉等领域广泛应用，主要原因是它具有以下优点：

1. 上下文信息丰富。相比于传统的基于手工设计特征的方法，Transformer能够利用上下文信息对特征向量进行更加准确的表示。在自然语言处理中，上下文可以是当前单词所处的句子或段落，而在计算机视觉中，上下文可以是当前像素所处的图像区域。
2. 处理长序列能力强。由于使用了自注意力机制，Transformer 能够对长序列进行有效的处理。在自然语言处理中，这使得Transformer 能够处理长文本，而在计算机视觉中，这使得 Transformer 能够对高分辨率的图像进行处理。
3. 端到端的学习。Transformer结构能够直接从原始数据中学习特征表示，而无需手工设计特征。这使得模型能够从原始数据中学习到更加准确的特征表示，从而提高了模型的性能。

为什么多头注意力，比自注意力效果更好呢

多头注意力是一种在 Transformer 模型中使用的注意力机制，相比于单独使用自注意力机制，它能够提高模型的表现。这主要是由于以下几个原因：

1. 多头注意力能够并行处理不同信息。在多头注意力中，模型使用多个注意力头同时学习不同的信息。这意味着模型能够并行处理多个不同的信息，从而加速模型的训练和推断过程。
2. 多头注意力能够学习更加复杂的特征表示。由于多头注意力能够并行处理多个信息，模型能够学习更加复杂的特征表示。这能够帮助模型捕捉更加丰富和多样化的特征，从而提高模型的表现。
3. 多头注意力能够提高模型的泛化能力。在多头注意力中，每个注意力头都能够学习不同的特征表示，这使得模型更加鲁棒并能够更好地泛化到新的数据。

总的来说，多头注意力能够并行处理多个信息，学习更加复杂的特征表示，并提高模型的泛化能力，这使得它比单独使用自注意力机制效果更好。

在transformer中encoder叠加了多个，它的作用是什么呢，是不断更精细化的求出图像与图像相似度之间的关系吗

在 Transformer 模型中，encoder 叠加了多个层，每个层都包含了多头注意力和前馈神经网络。encoder 叠加多层的作用是逐渐提取和组合输入序列中的信息，并生成更加准确的特征表示。这些特征表示最终被用于后续的任务，如机器翻译、语言模型、文本分类等。

具体来说，encoder 中的每一层都能够进一步优化模型的特征表示。通过多层叠加，模型能够逐渐捕捉输入序列中的更多信息，从而生成更加准确的特征表示。这些特征表示能够反映输入序列中的重要信息，并能够被用于后续的任务。

因此，encoder 叠加多层的作用并不是仅仅更精细地求出图像与图像之间的相似度，而是逐渐提取和组合输入序列中的信息，生成更加准确的特征表示，从而提高模型的性能。在计算机视觉任务中，输入序列可能是图像的像素值序列或者是图像的特征表示序列，而不仅仅是图像与图像之间的相似度。

多模态模型应用的感想

掌握了transformer就是前半部分，就算是知道了，我们现在有的数据图像、语音、文本是如何转为模型的特征向量了，

能获取到这些特征向量，应该说就可以输出任何标签类的任务，从实现原理熵也就是在transformer结构下游，增加全连接层实现输出。（这也是在大模型中使用预训练模型微调的一种方法）。

Paddle实现vit模型

# ViT Online Class
# Author: Dr. Zhu
# Project: PaddleViT (https://github.com/BR-IDL/PaddleViT)
# 2021.11
import paddle
import paddle.nn as nn
import numpy as np
from PIL import Image

paddle.set_device('cpu')

class Identity(nn.Layer):
    def __init__(self):
        super().__init__()

    def forward(self, x):
        return x

class Mlp(nn.Layer):
    def __init__(self, embed_dim, mlp_ratio=4.0, dropout=0.):
        super().__init__()
        self.fc1 = nn.Linear(embed_dim, int(embed_dim * mlp_ratio))
        self.fc2 = nn.Linear(int(embed_dim * mlp_ratio), embed_dim)
        self.act = nn.GELU()
        self.dropout = nn.Dropout(dropout)

    def forward(self, x):
        x = self.fc1(x)
        x = self.act(x)
        x = self.dropout(x)
        x = self.fc2(x)
        return x

class PatchEmbedding(nn.Layer):
    def __init__(self, image_size, patch_size, in_channels, embed_dim, dropout=0.):
        super().__init__()
        self.patch_embedding = nn.Conv2D(in_channels, embed_dim, patch_size, patch_size)
        self.dropout = nn.Dropout(dropout)

    def forward(self, x):
        # [n, c, h, w]
        x = self.patch_embedding(x) # [n, c', h', w']
        x = x.flatten(2) # [n, c', h'*w']
        x = x.transpose([0, 2, 1]) # [n, h'*w', c']
        x = self.dropout(x)
        return x

class Attention(nn.Layer):
    # TODO: 补全时，删除pass
    def __init__(self, embed_dim, num_heads, qkv_bias=False, qk_scale=None, dropout=0., attention_dropout=0.):
        super().__init__()
        self.num_heads = num_heads 
        self.attn_head_size = int(embed_dim / self.num_heads)
        self.all_head_size = self.attn_head_size * self.num_heads
        self.qkv = nn.Linear(embed_dim, self.all_head_size*3)
        if qk_scale == None:
            self.scales = self.attn_head_size ** -0.5
        else:
            self.scales = qk_scale
        self.proj = nn.Linear(self.all_head_size, embed_dim)
        self.attn_dropout = nn.Dropout(attention_dropout)
        self.proj_dropout = nn.Dropout(dropout)
        self.softmax = nn.Softmax(axis=-1)

    def transpose_multihead(self, x):
        new_shape = x.shape[:-1] + [self.num_heads, self.attn_head_size]
        x = x.reshape(new_shape)
        x = x.transpose([0, 2, 1, 3])
        return x

    def forward(self, x):
        qkv = self.qkv(x).chunk(3, axis=-1)
        q, k, v = map(self.transpose_multihead, qkv)
        attn = paddle.matmul(q, k, transpose_y=True)
        attn = attn * self.scales
        attn = self.softmax(attn)
        attn_weights = attn
        attn = self.attn_dropout(attn)
        z = paddle.matmul(attn, v)
        z = z.transpose([0, 2, 1, 3])
        new_shape = z.shape[:-2] + [self.all_head_size]
        z = z.reshape(new_shape)
        z = self.proj(z)
        z = self.proj_dropout(z)
        return z, attn_weights

class EncoderLayer(nn.Layer):
    def __init__(self, embed_dim):
        super().__init__()
        self.attn_norm = nn.LayerNorm(embed_dim)
        self.attn = Attention()
        self.mlp_norm = nn.LayerNorm(embed_dim)
        self.mlp = Mlp(embed_dim)

    def forward(self, x):
        h = x 
        x = self.attn_norm(x)
        x = self.attn(x)
        x = x + h

        h = x
        x = self.mlp_norm(x)
        x = self.mlp(x)
        x = x + h
        return x

class ViT(nn.Layer):
    def __init__(self):
        super().__init__()
        self.patch_embed = PatchEmbedding(224, 7, 3, 16)
        layer_list = [EncoderLayer(16) for i in range(5)]
        self.encoders = nn.LayerList(layer_list)
        self.head = nn.Linear(16, 10)
        self.avgpool = nn.AdaptiveAvgPool1D(1)
        self.norm = nn.LayerNorm(16)

    def forward(self, x):
        x = self.patch_embed(x) # [n, h*w, c]: 4, 1024, 16
        for encoder in self.encoders:
            x = encoder(x)
        # avg
        x = self.norm(x)
        x = x.transpose([0, 2, 1])
        x = self.avgpool(x)
        x = x.flatten(1)
        x = self.head(x)
        return x

def main():
    t = paddle.randn([4, 16, 96])
    print('input shape = ', t.shape)

    model = Attention(embed_dim=96, num_heads=8, 
                      qkv_bias=False, qk_scale=None, dropout=0., attention_dropout=0.)
    print(model)

    out, attn_weights = model(t)
    print(out.shape)
    print(attn_weights.shape)

if __name__ == "__main__":
    main()