[人工智能]Swin Transformer 论文与代码阅读

Swin Transformer 论文与代码阅读

提示：论文阅读包含个人理解，如有错误请指正。

在 ViT 将 Transformer 运用到视觉领域之后，基于 Transformer 的视觉模型遍地开花，Swin Transformer 就是其中的代表，Swin Transformer 主要解决了 Transformer 在视觉领域应用的两个问题:

1. 尺度问题：同一物体的尺寸不一定相同
2. 维度问题：以像素点作为单位，导致序列长度非常长

Swin Transformer 提出了一种 Shifted windows 的分层 Transformer 用于解决以上问题，该方法将 Self-Attention 的计算限制在非重叠的局部窗口上，同时允许跨窗口的链接，提高了效率。

github ：https://github.com/microsoft/Swin-Transformer/

1. 模型整体架构

上图为 Swin Transformer 的模型。

2. Patch Patition & Linear Embedding

可以看到在图中这两部分应该是分开的，但是代码中是在一起的，所以一起写了。

2.1 理论部分

Patch Patition

以 ImageNet 的图像尺寸为例即 $224\times 224\times 3$ ，与 ViT 相同首先是经过一个 Patch Patition，设置 Patch Size $P_h=P_w=4$也就是将原始图像分为 $4\times 4$ 的小块，共 $56\times 56$ 块的小图像。

如下图所示，Swin Transformer 在一开始使用的 Patch Size 为 $4\times 4$ ，在后续通过合并图像块的方式将 Patch Size 增大，以达到类似图像金字塔的效果。而 ViT 中使用的都是 $16\times 16$ 的 Patch Size，因此难以捕捉多尺度的信息。

将图像分割后 Reshape 成 $\frac{H}{4}\times \frac{W}{4}\times 48$ ，这个可以理解为有 $\frac{H}{4}\times \frac{W}{4}$个小块，每个小块内包含的信息有 $4\times 4$ 个像素，每个像素包含 3 个通道。

Linear Embedding

Stage 1 中，在 Swin Transformer Block 前的是 Linear Embedding，后面的 Stage 都是 Patch Embedding。

被分为小块的图像需要通过 Linear Embedding，转换成 Transformer 能够使用的序列。

Linear Embedding 的具体做法就是使用一个线性变换到任意维度上，该维度设为 $C$ ，在 Swin-T 中 $C=96$。则目前维度变化为 $\frac{H}{4}\times \frac{W}{4}\times 96$。然后将长宽拉平至 $(\frac{H}{4}\times \frac{W}{4})\times 96$。

2.2 代码部分

Patch Patition & Linear Embedding

class PatchEmbed(nn.Module):
    def __init__(self, img_size=224, patch_size=4, in_chans=3, embed_dim=96, norm_layer=None):
        super().__init__()
        img_size = to_2tuple(img_size)
        patch_size = to_2tuple(patch_size)
        patches_resolution = [img_size[0] // patch_size[0], img_size[1] // patch_size[1]]
        self.img_size = img_size
        self.patch_size = patch_size
        self.patches_resolution = patches_resolution
        self.num_patches = patches_resolution[0] * patches_resolution[1]

        self.in_chans = in_chans
        self.embed_dim = embed_dim

        self.proj = nn.Conv2d(in_chans, embed_dim, kernel_size=patch_size, stride=patch_size)
        if norm_layer is not None:
            self.norm = norm_layer(embed_dim)
        else:
            self.norm = None

    def forward(self, x):
        B, C, H, W = x.shape
        # FIXME look at relaxing size constraints
        assert H == self.img_size[0] and W == self.img_size[1], \
            f"Input image size ({H}*{W}) doesn't match model ({self.img_size[0]}*{self.img_size[1]})."
        x = self.proj(x).flatten(2).transpose(1, 2)  # B Ph*Pw C
        if self.norm is not None:
            x = self.norm(x)
        return x

一个卷积加一个LN完成，很优雅。

3. Swin Transformer Block

Swin Transformer Block 有以上两种模式，一种是 左半边内部为W-MSA的模式， 一种是右半边 内部是SW-MSA的模式，在代码上都由 SwinTransformerBlock 类实现，通过改变 shift_size 参数以判断是否需要进行 shift 操作，两个 Block 成对出现，并在 BasicLayer 中进行堆叠。

3.1 理论部分

非重叠窗口中的自注意力

显然更小的窗口能够捕捉更细节的信息，而随之而来的就是计算量的上升。ViT 的 Patch size 设置为 16，仅将图像分成了 $14\times 14$ 个 patch，而 Swin 中有 $56\times 56 $个，因此序列长度扩大了 16 倍。以 $224\times 224\times 3$ 的图像为例，ViT 中经过 Linear Embedding 之后其序列为 $196\times 768$ （不包括 cls token），而Swin中达到了 $3136\times 96$ ，计算量实在太大。

为了减少计算量，作者建议在局部的窗口中计算自注意力，并且窗口不相互重叠，作者计算了普通 MSA 和 W-MSA 的计算量：
$$\begin{gathered} \Omega (MSA)=4hw{C}^2+2(hw{)}^{2}C, \\ \Omega (W?MSA)=4hw{C}^2+2M^{2}hwC \end{gathered}$$
咋一看好像差不多，但是由于 $h$ 和 $w$ 都较大，如上面例子中 $h=w=56$ ，而默认的 $M=7$ ，这样一看后半部分就差了 64 倍的计算量 。

具体的做法就是，将目前 $56\times 56\times 96$ 的序列，分为多个$M\times M$ 的小窗口，在每个小窗口上进行 Self-attention，把全局的自注意力转变为小窗口中局部的自注意力，从而减少算力消耗。如下图所示，每一个红色方框中各自进行自注意力。

这种做法在成功减少计算量的同时，也存在一个问题，就是自注意力只在小范围内进行，会限制模型的效果。并且相邻的像素理应关系更加密切，但会被分配在不同的窗口中，如黄色框所示。

因此，在 Swin Transformer 中提出了一种移动窗口的方法用于解决该问题。

在连续的小块中使用移动窗口分区

由于基于局部窗口的自注意力无法与其他窗口进行连接，限制了模型的能力，因此 Swin Transformer 中使用了移动窗口的方法处理该问题：

以文中的例子为例，这个例子中序列长度为$8\times 8$， $M=4$ ，基于窗口的自注意力的分割方法即为：

现在要使用移动窗口再次分割，窗口移动的距离为 $(?\frac{M}{2}?,?\frac{M}{2}?)$，但是经过移动窗口，窗口会越出序列之外，那么就需要把上面的补到下面去，如下图：

并且，基于窗口的自注意力与移动窗口的自注意力都为成对出现，这也是每个 stage 中， Block 个数都为偶数的原因，如图：

计算方法：
$$\begin{gathered} {\hat{z}}^l=W?MSA(LN(z^{l?1}))+z^{l?1} \\ {z}^l=MLP(LN({\hat{z}}^l))+{\hat{z}}^l \\ {\hat{z}}^{l+1}=SW?MSA(LN(z^l))+z^l \\ {z}^{l+1}=MLP(LN({\hat{z}}^{l+1}))+{\hat{z}}^{l+1} \end{gathered}$$

3.2 代码部分

WindowAttention

具体代码有很多层，从里到外来看，首先是 WindowAttention，该代码实现了每个窗口中的自注意操作，该类既用于W-MSA 也用于 SW-MSA，在外部由 SwinTransformerBlock 中将 x 经过 shift 操作，并构建 mask 再调用该类进行自注意力操作。

class WindowAttention(nn.Module):
    r""" Window based multi-head self attention (W-MSA) module with relative position bias.
    It supports both of shifted and non-shifted window.
    Args:
        dim (int): Number of input channels.
        window_size (tuple[int]): The height and width of the window.
        num_heads (int): Number of attention heads.
        qkv_bias (bool, optional):  If True, add a learnable bias to query, key, value. Default: True
        qk_scale (float | None, optional): Override default qk scale of head_dim ** -0.5 if set
        attn_drop (float, optional): Dropout ratio of attention weight. Default: 0.0
        proj_drop (float, optional): Dropout ratio of output. Default: 0.0
    """
    
    def __init__(self, dim, window_size, num_heads, qkv_bias=True, qk_scale=None, attn_drop=0., proj_drop=0.):
        super().__init__()
        self.dim = dim
        self.window_size = window_size  # Wh, Ww
        self.num_heads = num_heads
        head_dim = dim // num_heads
        self.scale = qk_scale or head_dim ** -0.5

        # define a parameter table of relative position bias
        self.relative_position_bias_table = nn.Parameter(
            torch.zeros((2 * window_size[0] - 1) * (2 * window_size[1] - 1), num_heads))  # 2*Wh-1 * 2*Ww-1, nH

        # get pair-wise relative position index for each token inside the window
        coords_h = torch.arange(self.window_size[0])
        coords_w = torch.arange(self.window_size[1])
        coords = torch.stack(torch.meshgrid([coords_h, coords_w]))  # 2, Wh, Ww
        coords_flatten = torch.flatten(coords, 1)  # 2, Wh*Ww
        relative_coords = coords_flatten[:, :, None] - coords_flatten[:, None, :]  # 2, Wh*Ww, Wh*Ww
        relative_coords = relative_coords.permute(1, 2, 0).contiguous()  # Wh*Ww, Wh*Ww, 2
        relative_coords[:, :, 0] += self.window_size[0] - 1  # shift to start from 0
        relative_coords[:, :, 1] += self.window_size[1] - 1
        relative_coords[:, :, 0] *= 2 * self.window_size[1] - 1
        relative_position_index = relative_coords.sum(-1)  # Wh*Ww, Wh*Ww
        self.register_buffer("relative_position_index", relative_position_index)

        self.qkv = nn.Linear(dim, dim * 3, bias=qkv_bias)
        self.attn_drop = nn.Dropout(attn_drop)
        self.proj = nn.Linear(dim, dim)
        self.proj_drop = nn.Dropout(proj_drop)

        trunc_normal_(self.relative_position_bias_table, std=.02)
        self.softmax = nn.Softmax(dim=-1)

    def forward(self, x, mask=None):
        """
        Args:
            x: input features with shape of (num_windows*B, N, C)
            mask: (0/-inf) mask with shape of (num_windows, Wh*Ww, Wh*Ww) or None
        """
        B_, N, C = x.shape
        qkv = self.qkv(x).reshape(B_, N, 3, self.num_heads, C // self.num_heads).permute(2, 0, 3, 1, 4)
        q, k, v = qkv[0], qkv[1], qkv[2]  # make torchscript happy (cannot use tensor as tuple)
        # shape :（B * num_windows, nH, Wh*Ww, c）

        q = q * self.scale
        attn = (q @ k.transpose(-2, -1))  # shape :（B * num_windows, nH, Wh*Ww, Wh*Ww）

        relative_position_bias = self.relative_position_bias_table[self.relative_position_index.view(-1)].view(
            self.window_size[0] * self.window_size[1], self.window_size[0] * self.window_size[1], -1)  # Wh*Ww,Wh*Ww,nH
        relative_position_bias = relative_position_bias.permute(2, 0, 1).contiguous()  # nH, Wh*Ww, Wh*Ww
        attn = attn + relative_position_bias.unsqueeze(0)

        if mask is not None:
            nW = mask.shape[0]
            attn = attn.view(B_ // nW, nW, self.num_heads, N, N) + mask.unsqueeze(1).unsqueeze(0)
            attn = attn.view(-1, self.num_heads, N, N)
            attn = self.softmax(attn)
        else:
            attn = self.softmax(attn)

        attn = self.attn_drop(attn)

        x = (attn @ v).transpose(1, 2).reshape(B_, N, C)
        x = self.proj(x)
        x = self.proj_drop(x)
        return x

大部分都与 ViT 是相同的，不同的地方有：

1. 输入的 x 的 shape 是 (num_windows*B, N, C) ，而 ViT 是 (B, N, C) 这是因为 WindowAttention 是将每个 patch 再分成 num_windows个窗口，然后在每个窗口上做自注意力。
2. 用了相对位置编码
3. 用了一个 mask 去屏蔽无用的自注意力

相对位置编码

相对位置编码是为了解决在做自注意力时，用于体现不同相对位置之间关系的一种方法，以加快收敛，提升模型能力，公式如下：
$$Attention(Q,K,V)=SoftMax(Q{K}^T/\sqrt{d}+B)V$$
其中 B 为相对位置编码。显然 $Q{K}^T$ 的形状为$(num\_windows?B,num\_heads,N,N)$，其相对位置编码与其形状相同。相对位置索引的生成方式如下，图片来源知乎 sharkD，侵删。

生成的相对位置索引的形状为$（M^2,M^2）$ ，并需要将其注册为一个不可学习的变量，用于根据索引值找到对应学习的位置编码。具体代码在这一长串：

# 完成上面第三张图的构建
coords_h = torch.arange(self.window_size[0])
coords_w = torch.arange(self.window_size[1])
coords = torch.stack(torch.meshgrid([coords_h, coords_w]))  # 2, Wh, Ww
coords_flatten = torch.flatten(coords, 1)  # 2, Wh*Ww
relative_coords = coords_flatten[:, :, None] - coords_flatten[:, None, :]  # 2, Wh*Ww, Wh*Ww
relative_coords = relative_coords.permute(1, 2, 0).contiguous()  # Wh*Ww, Wh*Ww, 2
# 对应下面三个步骤
relative_coords[:, :, 0] += self.window_size[0] - 1  # shift to start from 0
relative_coords[:, :, 1] += self.window_size[1] - 1
relative_coords[:, :, 0] *= 2 * self.window_size[1] - 1
relative_position_index = relative_coords.sum(-1)  # Wh*Ww, Wh*Ww
# 注册不可学习变量
self.register_buffer("relative_position_index", relative_position_index)

该索引值一共 $ (2M-1)^2$ 个，因此可以由一个 $(2M?1)(2M?1)\times 1$ 的张量来存储相对位置的偏置，由于使用了多头，每个头都需要一个相对位置编码，所以构建的相对位置编码表的形状为 $(2M?1)(2M?1)\times num\_heads$。

代码在：

self.relative_position_bias_table = nn.Parameter(
	torch.zeros((2 * window_size[0] - 1) * (2 * window_size[1] - 1), num_heads))

在用的时候，就需要将索引表拉平，然后从编码表里获取对应偏置，然后再变回与 Attn 一样的形状，并相加：

relative_position_bias = self.relative_position_bias_table[self.relative_position_index.view(-1)].view(
	self.window_size[0] * self.window_size[1], self.window_size[0] * self.window_size[1], -1)  # Wh*Ww,Wh*Ww,nH
relative_position_bias = relative_position_bias.permute(2, 0, 1).contiguous()  # nH, Wh*Ww, Wh*Ww
attn = attn + relative_position_bias.unsqueeze(0) 

以上就是相对位置编码的操作过程。

masked MSA

也就是该部分，由于进行了 shift 操作，在自注意力的时候不希望途中白色部分与从上方移动过来的A、B、C之间，以及A、B、C之间进行自注意力，所以对其进行mask。

具体操作就是在做 SoftMax前，将 Attn 变为 $(B,nW，heads，N,N)$的形式，这是因为在使用窗口进行分割的时候，将分割的小块并入到了 Batch size 的维度。mask 的维度为 $(nW，N,N)$，将其 unsqueeze 至与 Attn 对应，即 $(1，nW，N，N)$然后叠加。

if mask is not None:
	nW = mask.shape[0]
	attn = attn.view(B_ // nW, nW, self.num_heads, N, N) + mask.unsqueeze(1).unsqueeze(0)
	attn = attn.view(-1, self.num_heads, N, N)
	attn = self.softmax(attn)
else:
	attn = self.softmax(attn)

由于 mask 是一个 (0/-inf)的张量，因此在叠加后做 SoftMax， 就会把很小的那部分过滤掉。

SwinTransformerBlock

该类实现的即为上图这一部分（单个左半边或右半边），代码如下：

class SwinTransformerBlock(nn.Module):
    r""" Swin Transformer Block.

    Args:
        dim (int): Number of input channels.
        input_resolution (tuple[int]): Input resulotion.
        num_heads (int): Number of attention heads.
        window_size (int): Window size.
        shift_size (int): Shift size for SW-MSA.
        mlp_ratio (float): Ratio of mlp hidden dim to embedding dim.
        qkv_bias (bool, optional): If True, add a learnable bias to query, key, value. Default: True
        qk_scale (float | None, optional): Override default qk scale of head_dim ** -0.5 if set.
        drop (float, optional): Dropout rate. Default: 0.0
        attn_drop (float, optional): Attention dropout rate. Default: 0.0
        drop_path (float, optional): Stochastic depth rate. Default: 0.0
        act_layer (nn.Module, optional): Activation layer. Default: nn.GELU
        norm_layer (nn.Module, optional): Normalization layer.  Default: nn.LayerNorm
    """

    def __init__(self, dim, input_resolution, num_heads, window_size=7, shift_size=0,
                 mlp_ratio=4., qkv_bias=True, qk_scale=None, drop=0., attn_drop=0., drop_path=0.,
                 act_layer=nn.GELU, norm_layer=nn.LayerNorm):
        super().__init__()
        self.dim = dim
        self.input_resolution = input_resolution
        self.num_heads = num_heads
        self.window_size = window_size
        self.shift_size = shift_size
        self.mlp_ratio = mlp_ratio
        if min(self.input_resolution) <= self.window_size:
            # if window size is larger than input resolution, we don't partition windows
            self.shift_size = 0
            self.window_size = min(self.input_resolution)
        assert 0 <= self.shift_size < self.window_size, "shift_size must in 0-window_size"

        self.norm1 = norm_layer(dim)
        self.attn = WindowAttention(
            dim, window_size=to_2tuple(self.window_size), num_heads=num_heads,
            qkv_bias=qkv_bias, qk_scale=qk_scale, attn_drop=attn_drop, proj_drop=drop)

        self.drop_path = DropPath(drop_path) if drop_path > 0. else nn.Identity()
        self.norm2 = norm_layer(dim)
        mlp_hidden_dim = int(dim * mlp_ratio)
        self.mlp = Mlp(in_features=dim, hidden_features=mlp_hidden_dim, act_layer=act_layer, drop=drop)

        if self.shift_size > 0:
            # calculate attention mask for SW-MSA
            H, W = self.input_resolution
            img_mask = torch.zeros((1, H, W, 1))  # 1 H W 1
            h_slices = (slice(0, -self.window_size),
                        slice(-self.window_size, -self.shift_size),
                        slice(-self.shift_size, None))
            w_slices = (slice(0, -self.window_size),
                        slice(-self.window_size, -self.shift_size),
                        slice(-self.shift_size, None))
            cnt = 0
            for h in h_slices:
                for w in w_slices:
                    img_mask[:, h, w, :] = cnt
                    cnt += 1

            mask_windows = window_partition(img_mask, self.window_size)  # nW, window_size, window_size, 1
            mask_windows = mask_windows.view(-1, self.window_size * self.window_size)
            attn_mask = mask_windows.unsqueeze(1) - mask_windows.unsqueeze(2)
            attn_mask = attn_mask.masked_fill(attn_mask != 0, float(-100.0)).masked_fill(attn_mask == 0, float(0.0))
        else:
            attn_mask = None

        self.register_buffer("attn_mask", attn_mask)

    def forward(self, x):
        H, W = self.input_resolution
        B, L, C = x.shape
        assert L == H * W, "input feature has wrong size"

        shortcut = x
        x = self.norm1(x)
        x = x.view(B, H, W, C)

        # cyclic shift
        if self.shift_size > 0:
            shifted_x = torch.roll(x, shifts=(-self.shift_size, -self.shift_size), dims=(1, 2))
        else:
            shifted_x = x

        # partition windows
        x_windows = window_partition(shifted_x, self.window_size)  # nW*B, window_size, window_size, C
        x_windows = x_windows.view(-1, self.window_size * self.window_size, C)  # nW*B, window_size*window_size, C

        # W-MSA/SW-MSA
        attn_windows = self.attn(x_windows, mask=self.attn_mask)  # nW*B, window_size*window_size, C

        # merge windows
        attn_windows = attn_windows.view(-1, self.window_size, self.window_size, C)
        shifted_x = window_reverse(attn_windows, self.window_size, H, W)  # B H' W' C

        # reverse cyclic shift
        if self.shift_size > 0:
            x = torch.roll(shifted_x, shifts=(self.shift_size, self.shift_size), dims=(1, 2))
        else:
            x = shifted_x
        x = x.view(B, H * W, C)

        # FFN
        x = shortcut + self.drop_path(x)
        x = x + self.drop_path(self.mlp(self.norm2(x)))

        return x

流程过一遍：

1. 输入 x 的 shape 为： $(B,H\times W,C)$
2. 记录 x 用于跳接
3. x 经过 LN 并变换为 $(B,H,W,C)$准备进行 shift
4. 判断 self.shift_size
   1. 如果 self.shift_size == 0 也就是目前是W-MSA，不需要移动窗口
   2. 如果 self.shift_size > 0 则目前为 SW-MSA ，则移动窗口
5. 用小窗口分割 x，并将分割后的 shape 变为 $(nW\times B,W_h\times W_w,C)$ 。
6. 传入分割后的 x 和 mask 进行 MSA。
7. 将MSA结果变为 $(nW\times B,W_h,W_w,C)$，并将图像组合变回 $(B,H,W,C)$ 的形式。
8. 判断 self.shift_size
   1. 如果 self.shift_size == 0 也就是目前是W-MSA，则不变
   2. 如果 self.shift_size > 0 则目前为 SW-MSA ，则将之前移动窗口的操作回复原样
9. 变回 $(B,H\times W,C)$
10. drop_path + 跳接
11. LN + MLP + drop_path +跳接
12. 输出

下面对其中的几个点进行解析。

Cyclic Shift & Reverse

该部分是对图像的窗口进行 shift 操作，也就是移动窗口。使用条件是 self.shift_size > 0 ，通过调用 torch.roll 实现：

shifted_x = torch.roll(x, shifts=(-self.shift_size, -self.shift_size), dims=(1, 2))

其 Reverse 操作：

x = torch.roll(shifted_x, shifts=(self.shift_size, self.shift_size), dims=(1, 2))

Partition Windows & Reverse

该部分对图像用窗口进行分割，具体代码：

def window_partition(x, window_size):
    """
    Args:
        x: (B, H, W, C)
        window_size (int): window size

    Returns:
        windows: (num_windows*B, window_size, window_size, C)
    """
    B, H, W, C = x.shape
    x = x.view(B, H // window_size, window_size, W // window_size, window_size, C)
    windows = x.permute(0, 1, 3, 2, 4, 5).contiguous().view(-1, window_size, window_size, C)
    return windows

外侧又变为 $(nW\times B,W_h\times W_w,C)$ ，以下是其 Reverse 操作。

def window_reverse(windows, window_size, H, W):
    """
    Args:
        windows: (num_windows*B, window_size, window_size, C)
        window_size (int): Window size
        H (int): Height of image
        W (int): Width of image

    Returns:
        x: (B, H, W, C)
    """
    B = int(windows.shape[0] / (H * W / window_size / window_size))
    x = windows.view(B, H // window_size, W // window_size, window_size, window_size, -1)
    x = x.permute(0, 1, 3, 2, 4, 5).contiguous().view(B, H, W, -1)
    return x

变回 (B, H, W, C)。

MLP

class Mlp(nn.Module):
    def __init__(self, in_features, hidden_features=None, out_features=None, act_layer=nn.GELU, drop=0.):
        super().__init__()
        out_features = out_features or in_features
        hidden_features = hidden_features or in_features
        self.fc1 = nn.Linear(in_features, hidden_features)
        self.act = act_layer()
        self.fc2 = nn.Linear(hidden_features, out_features)
        self.drop = nn.Dropout(drop)

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

没啥好说的。

Mask

看一下 Mask 是怎么生成的，代码如下：

if self.shift_size > 0:
    # calculate attention mask for SW-MSA
    H, W = self.input_resolution
    img_mask = torch.zeros((1, H, W, 1))  # 1 H W 1
    h_slices = (slice(0, -self.window_size),
                slice(-self.window_size, -self.shift_size),
                slice(-self.shift_size, None))
    w_slices = (slice(0, -self.window_size),
                slice(-self.window_size, -self.shift_size),
                slice(-self.shift_size, None))
    cnt = 0
    for h in h_slices:
        for w in w_slices:
            img_mask[:, h, w, :] = cnt
            cnt += 1
    # 以上代码用于生成类似下图左半边的图像
    # 下方用于生成右边图像
    mask_windows = window_partition(img_mask, self.window_size)  # nW, window_size, window_size, 1
    mask_windows = mask_windows.view(-1, self.window_size * self.window_size)
    attn_mask = mask_windows.unsqueeze(1) - mask_windows.unsqueeze(2)
    attn_mask = attn_mask.masked_fill(attn_mask != 0, float(-100.0)).masked_fill(attn_mask == 0, float(0.0))
else:
    attn_mask = None

self.register_buffer("attn_mask", attn_mask)

显然， 当 self.shift_size = 0 时是不需要 mask 的，因为当前是 W-MSA，只有 SW-MSA 需要 mask。

mask生成的原理即为矩阵乘法， 如下图：

代码很TM难看懂，但是跑一次就懂了，需要深入理解一下广播机制。

4. Stage 代码

4.1 Basic Layer

该部分在结构图上没有，实际上就是每个 Stage，如图：

包含 depth 个 SwinTransformerBlock，以及一个DownSample，也就是图里的 Patch Merging，这个Patch Merging的实现后面讲。

可以看到代码实现与图中略有差别，是先做 MSA 再进行Patch Merging，这里需要注意。

class BasicLayer(nn.Module):
    """ A basic Swin Transformer layer for one stage.

    Args:
        dim (int): Number of input channels.
        input_resolution (tuple[int]): Input resolution.
        depth (int): Number of blocks.
        num_heads (int): Number of attention heads.
        window_size (int): Local window size.
        mlp_ratio (float): Ratio of mlp hidden dim to embedding dim.
        qkv_bias (bool, optional): If True, add a learnable bias to query, key, value. Default: True
        qk_scale (float | None, optional): Override default qk scale of head_dim ** -0.5 if set.
        drop (float, optional): Dropout rate. Default: 0.0
        attn_drop (float, optional): Attention dropout rate. Default: 0.0
        drop_path (float | tuple[float], optional): Stochastic depth rate. Default: 0.0
        norm_layer (nn.Module, optional): Normalization layer. Default: nn.LayerNorm
        downsample (nn.Module | None, optional): Downsample layer at the end of the layer. Default: None
        use_checkpoint (bool): Whether to use checkpointing to save memory. Default: False.
    """

    def __init__(self, dim, input_resolution, depth, num_heads, window_size,
                 mlp_ratio=4., qkv_bias=True, qk_scale=None, drop=0., attn_drop=0.,
                 drop_path=0., norm_layer=nn.LayerNorm, downsample=None, use_checkpoint=False):

        super().__init__()
        self.dim = dim
        self.input_resolution = input_resolution
        self.depth = depth
        self.use_checkpoint = use_checkpoint

        # 生成 depth 个 SwinTransformerBlock，偶数 W-MSA， 奇数 SW-MSA
        self.blocks = nn.ModuleList([
            SwinTransformerBlock(dim=dim, input_resolution=input_resolution,
                                 num_heads=num_heads, window_size=window_size,
                                 shift_size=0 if (i % 2 == 0) else window_size // 2,
                                 mlp_ratio=mlp_ratio,
                                 qkv_bias=qkv_bias, qk_scale=qk_scale,
                                 drop=drop, attn_drop=attn_drop,
                                 drop_path=drop_path[i] if isinstance(drop_path, list) else drop_path,
                                 norm_layer=norm_layer)
            for i in range(depth)])

        # patch merging layer
        if downsample is not None:
            self.downsample = downsample(input_resolution, dim=dim, norm_layer=norm_layer)
        else:
            self.downsample = None

    def forward(self, x):
        for blk in self.blocks:
            if self.use_checkpoint:
                x = checkpoint.checkpoint(blk, x)
            else:
                x = blk(x)
        if self.downsample is not None:
            x = self.downsample(x)
        return x

没有什么好讲的，就是组合了一下。

4.2 Patch Merging

Patch Merging 起到的总用类似于 CNN 中的下采样，将每个小块的长宽缩小一半，并且让通道数增加一倍。即 $\frac{H}{4}\times \frac{W}{4}\times C\to \frac{H}{8}\times \frac{W}{8}\times 2C$。该操作类似于 YOLO 中的 Focus 模块，即：

不同的是，Patch Merging 在完成 Focus 的操作之后，还要通过一个 LN 层和一个线性层，将通道 4C 变为 2C，实现和 CNN 的下采样相同。代码：

class PatchMerging(nn.Module):
    def __init__(self, input_resolution, dim, norm_layer=nn.LayerNorm):
        super().__init__()
        self.input_resolution = input_resolution
        self.dim = dim
        self.reduction = nn.Linear(4 * dim, 2 * dim, bias=False)
        self.norm = norm_layer(4 * dim)

    def forward(self, x):
        """
        x: B, H*W, C
        """
        H, W = self.input_resolution
        B, L, C = x.shape
        assert L == H * W, "input feature has wrong size"
        assert H % 2 == 0 and W % 2 == 0, f"x size ({H}*{W}) are not even."

        x = x.view(B, H, W, C)

        x0 = x[:, 0::2, 0::2, :]  # B H/2 W/2 C
        x1 = x[:, 1::2, 0::2, :]  # B H/2 W/2 C
        x2 = x[:, 0::2, 1::2, :]  # B H/2 W/2 C
        x3 = x[:, 1::2, 1::2, :]  # B H/2 W/2 C
        x = torch.cat([x0, x1, x2, x3], -1)  # B H/2 W/2 4*C
        x = x.view(B, -1, 4 * C)  # B H/2*W/2 4*C

        x = self.norm(x)
        x = self.reduction(x)

        return x

5. SwinTransformer

终于来到了最上层，不得不说 SwinTransformer 模型的代码还是比较多的。

class SwinTransformer(nn.Module):
    r""" Swin Transformer
    Args:
        img_size (int | tuple(int)): Input image size. Default 224
        patch_size (int | tuple(int)): Patch size. Default: 4
        in_chans (int): Number of input image channels. Default: 3
        num_classes (int): Number of classes for classification head. Default: 1000
        embed_dim (int): Patch embedding dimension. Default: 96
        depths (tuple(int)): Depth of each Swin Transformer layer.
        num_heads (tuple(int)): Number of attention heads in different layers.
        window_size (int): Window size. Default: 7
        mlp_ratio (float): Ratio of mlp hidden dim to embedding dim. Default: 4
        qkv_bias (bool): If True, add a learnable bias to query, key, value. Default: True
        qk_scale (float): Override default qk scale of head_dim ** -0.5 if set. Default: None
        drop_rate (float): Dropout rate. Default: 0
        attn_drop_rate (float): Attention dropout rate. Default: 0
        drop_path_rate (float): Stochastic depth rate. Default: 0.1
        norm_layer (nn.Module): Normalization layer. Default: nn.LayerNorm.
        ape (bool): If True, add absolute position embedding to the patch embedding. Default: False
        patch_norm (bool): If True, add normalization after patch embedding. Default: True
        use_checkpoint (bool): Whether to use checkpointing to save memory. Default: False
    """

    def __init__(self, img_size=224, patch_size=4, in_chans=3, num_classes=1000,
                 embed_dim=96, depths=[2, 2, 6, 2], num_heads=[3, 6, 12, 24],
                 window_size=7, mlp_ratio=4., qkv_bias=True, qk_scale=None,
                 drop_rate=0., attn_drop_rate=0., drop_path_rate=0.1,
                 norm_layer=nn.LayerNorm, ape=False, patch_norm=True,
                 use_checkpoint=False, **kwargs):
        super().__init__()

        self.num_classes = num_classes
        self.num_layers = len(depths)
        self.embed_dim = embed_dim
        self.ape = ape
        self.patch_norm = patch_norm
        self.num_features = int(embed_dim * 2 ** (self.num_layers - 1))
        self.mlp_ratio = mlp_ratio

        # 将图像分割成 patch，原理见第 2 节
        self.patch_embed = PatchEmbed(
            img_size=img_size, patch_size=patch_size, in_chans=in_chans, embed_dim=embed_dim,
            norm_layer=norm_layer if self.patch_norm else None)
        num_patches = self.patch_embed.num_patches
        patches_resolution = self.patch_embed.patches_resolution
        self.patches_resolution = patches_resolution

        # 绝对位置边编码
        if self.ape:
            self.absolute_pos_embed = nn.Parameter(torch.zeros(1, num_patches, embed_dim))
            trunc_normal_(self.absolute_pos_embed, std=.02)

        self.pos_drop = nn.Dropout(p=drop_rate)

        # stochastic depth
        dpr = [x.item() for x in torch.linspace(0, drop_path_rate, sum(depths))]  # stochastic depth decay rule

        # 构建中间的每个 Stage，见第 4 节
        self.layers = nn.ModuleList()
        for i_layer in range(self.num_layers):
            layer = BasicLayer(dim=int(embed_dim * 2 ** i_layer),
                               input_resolution=(patches_resolution[0] // (2 ** i_layer),
                                                 patches_resolution[1] // (2 ** i_layer)),
                               depth=depths[i_layer],
                               num_heads=num_heads[i_layer],
                               window_size=window_size,
                               mlp_ratio=self.mlp_ratio,
                               qkv_bias=qkv_bias, qk_scale=qk_scale,
                               drop=drop_rate, attn_drop=attn_drop_rate,
                               drop_path=dpr[sum(depths[:i_layer]):sum(depths[:i_layer + 1])],
                               norm_layer=norm_layer,
                               downsample=PatchMerging if (i_layer < self.num_layers - 1) else None,
                               use_checkpoint=use_checkpoint)
            self.layers.append(layer)

        self.norm = norm_layer(self.num_features)
        self.avgpool = nn.AdaptiveAvgPool1d(1)
        self.head = nn.Linear(self.num_features, num_classes) if num_classes > 0 else nn.Identity()

        self.apply(self._init_weights)

    # 初始化权重
    def _init_weights(self, m):
        if isinstance(m, nn.Linear):
            trunc_normal_(m.weight, std=.02)
            if isinstance(m, nn.Linear) and m.bias is not None:
                nn.init.constant_(m.bias, 0)
        elif isinstance(m, nn.LayerNorm):
            nn.init.constant_(m.bias, 0)
            nn.init.constant_(m.weight, 1.0)

    # 绝对位置编码和相对位置偏置表不需要权重衰减
    @torch.jit.ignore
    def no_weight_decay(self):
        return {'absolute_pos_embed'}

    @torch.jit.ignore
    def no_weight_decay_keywords(self):
        return {'relative_position_bias_table'}

    # forward
    def forward_features(self, x):
        x = self.patch_embed(x)
        if self.ape:
            x = x + self.absolute_pos_embed
        x = self.pos_drop(x)

        for layer in self.layers:
            x = layer(x)

        x = self.norm(x)  # B L C
        x = self.avgpool(x.transpose(1, 2))  # B C 1
        x = torch.flatten(x, 1)
        return x

    def forward(self, x):
        x = self.forward_features(x)
        x = self.head(x)
        return x

总体上就是将之前介绍的内容聚合在了一起，结构如下：

1. Patch Patition & Linear Embedding
2. 绝对位置编码 （ if self.ape
3. Dropout
4. 进行每个 stage（除了最后一个stage，每个stage最后都有 patch merging
5. LN + 转置 + avgpool+ flatten
6. 一个输出头，结束

另外中间有个 stochastic depth 操作，这个操作是用来计算每个 stage 中 DropPath 的比率。

DropPath 是一个用于放在跳接处的一种类似与 DropOut 的模块，DropPath 是随机地失活一些卷积层，而 DropOut 是失活一些神经元。可以在 SwinTransformerBlock 的跳接部分中看到他：

# FFN
x = shortcut + self.drop_path(x)
x = x + self.drop_path(self.mlp(self.norm2(x)))

其实现方式：

def drop_path(x, drop_prob: float = 0., training: bool = False, scale_by_keep: bool = True):
    """Drop paths (Stochastic Depth) per sample (when applied in main path of residual blocks).

    This is the same as the DropConnect impl I created for EfficientNet, etc networks, however,
    the original name is misleading as 'Drop Connect' is a different form of dropout in a separate paper...
    See discussion: https://github.com/tensorflow/tpu/issues/494#issuecomment-532968956 ... I've opted for
    changing the layer and argument names to 'drop path' rather than mix DropConnect as a layer name and use
    'survival rate' as the argument.

    """
    if drop_prob == 0. or not training:
        return x
    keep_prob = 1 - drop_prob
    shape = (x.shape[0],) + (1,) * (x.ndim - 1)  # work with diff dim tensors, not just 2D ConvNets
    random_tensor = x.new_empty(shape).bernoulli_(keep_prob)
    if keep_prob > 0.0 and scale_by_keep:
        random_tensor.div_(keep_prob)
    return x * random_tensor


class DropPath(nn.Module):
    """Drop paths (Stochastic Depth) per sample  (when applied in main path of residual blocks).
    """
    def __init__(self, drop_prob=None, scale_by_keep=True):
        super(DropPath, self).__init__()
        self.drop_prob = drop_prob
        self.scale_by_keep = scale_by_keep

    def forward(self, x):
        return drop_path(x, self.drop_prob, self.training, self.scale_by_keep)

看起来就是按比例将 Batch 维度至 0， 然后将剩余的扩大至原来尺度。至于为啥用这种奇怪的方式，暂时还不明白。

创作打卡挑战赛

赢取流量/现金/CSDN周边激励大奖