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：
Image16∗147Image_{16*147}Image16∗147​*W147∗96W_{147*96}W147∗96​=EmbeddingEmbeddingEmbedding

其中W147∗96W_{147*96}W147∗96​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[x1,x2,...,x16][{x_1, x_2, ..., x_{16}}][x1​,x2​,...,x16​]，每个图像块的维度为96×1696 \times 1696×16，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xix_ixi​映射到一个10维的向量ziz_izi​。

这个映射是通过对xix_ixi​做一个线性变换得到的，具体而言，我们将xix_ixi​乘以一个96×1096 \times 1096×10的权重矩阵WqW_qWq​得到一个10维的向量ziz_izi​：

zi=Wqaiz_i = W_q a_izi​=Wq​ai​

其中ziz_izi​向量包含有qi,ki,viq_i,k_i,v_iqi​,ki​,vi​，模型训练需要算出参数有三个变换矩阵 Wq，Wk，WvW_q，W_k，W_vWq​，Wk​，Wv​

MatMul

我们计算每个图像块xix_ixi​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(xi,xj)(x_i, x_j)(xi​,xj​)的注意力分数ai,ja_{i,j}ai,j​，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qiq_iqi​与kjk_jkj​做点积得到的。
其中，qiq_iqi​和kjk_jkj​分别是图像块iii和图像块jjj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,i∈[1,16],j∈[1,16]i \in[1,16],j\in [1,16]i∈[1,16],j∈[1,16]

sj=qi⋅kjs_j = q_i \cdot k_jsj​=qi​⋅kj​

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qiq_iqi​和kjk_jkj​除以一个缩放因子10\sqrt{10}10​，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：

pj=softmax(∑i∑jqi⋅kj10)=qi⋅kj10∑i∑jqi⋅kj10p_j =softmax(\sum_{i}\sum_{j}\frac{q_i \cdot k_j}{\sqrt{10}})=\frac{ \frac{q_i \cdot k_j}{\sqrt{10}}}{\sum_{i}\sum_{j} \frac{q_i \cdot k_j}{\sqrt{10}}}pj​=softmax(i∑​j∑​10​qi​⋅kj​​)=∑i​∑j​10​qi​⋅kj​​10​qi​⋅kj​​​

其中，⋅\cdot⋅ 表示向量点积运算。注意力分数的分母10\sqrt{10}10​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viv_ivi​计算出xix_ixi​的注意力特征向量ziz_izi​：

zi=∑ii=16pi∗viz_i=\sum_{i}^{i=16} p_i*v_izi​=∑ii=16​pi​∗vi​

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xxx，就是[x1,x2,x3,...,x16][x_1,x_2,x_3,...,x_{16}][x1​,x2​,x3​,...,x16​]组合起来，以第一个自注意力来看，Q1,K1,V1Q_1,K_1,V_1Q1​,K1​,V1​其实就是自注意力里的[q1,q2,q3,...,q16],[k1,k2,k3,...,k16],[v1,v2,v3,...,v16][q_1,q_2,q_3,...,q_{16}],[k_1,k_2,k_3,...,k_{16}],[v_1,v_2,v_3,...,v_{16}][q1​,q2​,q3​,...,q16​],[k1​,k2​,k3​,...,k16​],[v1​,v2​,v3​,...,v16​]

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qqq看作是学生的注意力，kkk看作是这门学科的大纲，vvv则代表着这个学科的教材的内容。通过计算qqq与kkk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vvv，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qqq与不同学科大纲中的知识点kkk以及学科的教材内容vvv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：

FFN(x)=max⁡(0,xW1+b1)W2+b2+x\mathrm{FFN}(x) = \max(0, xW_1+b_1)W_2+b_2 + xFFN(x)=max(0,xW1​+b1​)W2​+b2​+x

其中 xxx 表示输入，W1W_1W1​ 和 b1b_1b1​ 是第一个全连接层的权重矩阵和偏置向量，W2W_2W2​ 和 b2b_2b2​ 是第二个全连接层的权重矩阵和偏置向量。

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：

LayerNorm(x+Sublayer(x))\mathrm{LayerNorm}(x+\mathrm{Sublayer}(x))LayerNorm(x+Sublayer(x))

其中 xxx 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）。x+Sublayer(x)x+\mathrm{Sublayer}(x)x+Sublayer(x) 表示输入加上子层的输出。LayerNorm 对 x+Sublayer(x)x+\mathrm{Sublayer}(x)x+Sublayer(x) 进行归一化。

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 Imagepaddle.set_device('cpu')class Identity(nn.Layer):def __init__(self):super().__init__()def forward(self, x):return xclass 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 xclass 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 xclass Attention(nn.Layer):# TODO: 补全时，删除passdef __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_headsself.qkv = nn.Linear(embed_dim, self.all_head_size*3)if qk_scale == None:self.scales = self.attn_head_size ** -0.5else:self.scales = qk_scaleself.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 xdef 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.scalesattn = self.softmax(attn)attn_weights = attnattn = 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_weightsclass 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 + hh = xx = self.mlp_norm(x)x = self.mlp(x)x = x + hreturn xclass 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, 16for encoder in self.encoders:x = encoder(x)# avgx = self.norm(x)x = x.transpose([0, 2, 1])x = self.avgpool(x)x = x.flatten(1)x = self.head(x)return xdef 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()