PatchEmbed
代码
首先上代码。
class PatchEmbed(nn.Module):
""" Image to Patch Embedding
"""
def __init__(self, img_size=256, patch_size=8, in_chans=3, embed_dim=512):
super().__init__()
img_size = to_2tuple(img_size)
patch_size = to_2tuple(patch_size)
num_patches = (img_size[1] // patch_size[1]) * (img_size[0] // patch_size[0])
self.img_size = img_size
self.patch_size = patch_size
self.num_patches = num_patches
self.proj = nn.Conv2d(in_chans, embed_dim, kernel_size=patch_size, stride=patch_size)
def forward(self, x):
B, C, H, W = x.shape
x = self.proj(x)
return x
1. 从NLP任务中的embedding开始理解
首先从NLP任务中的embedding开始理解。我们举个例子，假设有下面的句子：
“Could have done better”
我们对其中的每个单词进行编码（不用了解怎么编码），为每个单词分配一个数字（索引），假设得到编码结果为：
Could have done better
122 8 114 12
我们为每个索引分配一个n维向量，假设 n = 5 n=5 n=5并得到如下的分配结果（不需要了解是怎么分配的）：
索引122对应的词向量：0.0190721 -0.04473796 0.03923314 0.04681129 -0.02183579
索引8对应的词向量：0.01421751 -0.00090249 0.01750712 -0.03774468 0.04996594
索引114对应的词向量：-0.04607415 0.04186441 0.02681447 -0.00218643 0.03448829
索引12对应的词向量：-0.03162882 0.03427991 0.0324514 0.03953638 0.01771886
上述整个embedding过程可以概括为：
- 单词编码
- 编码转词向量
实际上，单词编码是因为计算机并不能直接处理文字，只能处理离散的数字，所以我们首先要将单词通过编码转为计算机可以识别的数字。我们真正要关注的是编码转词向量的过程，这一步才是embedding的核心。可以看到，我们通过embedding把编码后的单词映射到另一个维度空间，用一个新的向量来描述这个单词。这也是理解接下来patchembed的关键。
2. 回到PatchEmbed
首先需要理解一下什么是patch。我们对一张图片可以划分成为多个块，每个块就称为一个patch。如图所示：
从PatchEmbed这个名字我们也能猜到它的作用，PatchEmbed实际上就是对每个patch进行embed输出一个n维向量来代表这个patch。
接下来我们从代码层面理解patchembed这一过程：
首先PatchEmbed继承自nn.Module这个类不用说，我们重点关注一下它的参数img_size, patch_size, in_chans, embed_dim，它们代表的含义分别是
- img_size：图像尺寸
- patch_size：每个patch的大小，并非将图片划为patch_size个patch
- in_chans：输入的通道数，彩色图像通常为3
- embed_dim：将每个patch编码为embed_dim维向量
以默认参数img_size=256, patch_size=8, in_chans=3, embed_dim=512为例，相当于输入一幅256256通道数为3的图像，每个patch的大小分别为88，总patch数目就相当于256/8*2=64个，相当于把图像分为64个patch，每个patch编码为一个512维的向量。
如果不需要深入理解代码是如何实现的，那看到上面知道代码是做什么的就可以了。
接下来我们逐行理解代码是如何实现这个过程的（理解可能有误，如有误请指出）
patchembed代码讲解
