1. 引言
本文来讲解一篇论文 VIT， 这篇算是引起VIT跟CNNs之争的开端。
论文链接： 戳我
Transformer结构原本应用于自然语言处理，本篇希望找到可以在不用CNN情况下使用纯Transformer构架在图像分类任务上使用少量运算资源来训练达到更好的结果。
闲话少说，我们直接开始吧！
2. TransFormer特点
一般来说，Transformer的一些优点如下：
- 具有优秀的运算效率与扩展性
- 可以透过大量数据做预训练并微调在其他数据集来减少运算资源
- Attention（注意力机制）
Transformer缺乏的部分：
- 需要大量训练数据
- 缺乏像CNN固有的归纳偏差（Inductive bias）如平移不变性（translation equivariance）、局部性（locality）
- 训练数据量不足时会无法达到很好的泛化能力
3. 相关工作
以前就有许多实验希望将图像应用在Transformer上，大致可以分为以下三种方式：
- 将图像每个pixel对局部做attention（local multi-head dot-product self attention），基本上可以完全取代CNN
- 采用稀疏Transformer，利用估计方式取得Global self-attention，目的是为了关注整张图像
- 利用不同大小的Blocks来衡量attention，但在极端情况下只能沿着轴做
以上三种方式虽然均可以应用在图像任务上，但需要大量运算资源与硬件需求。
2020年Cordonnier提出一种方式，从输入图片取出2 x 2大小的patch并采用full self-attention，这与本篇采用的方式最为接近，但本篇进一步证明了使用大量训练数据训练的Transformer就比CNN SOTA具有更高的性能。
4. 实现方法
VIT的网络结果如下图所示：
主要的处理流程如下：
- Path-embeddings: 将输入为 [H, W, C] 的图像，依照 [P, P, C] 的大小切成 N 份，再通过linear projection 到 D维，输出尺寸变为 [N, D]。
- Append class token embedding: 像 BERT 一样在第0位添加一个可以学习的 embedding 来作为类别的token，输出为 [N+1, D]。
- Concat position-embeddings: 直接用1D的position embeddings，从0开始到N，文中有实验用2D的也差不多，输出为 [N+1, D+1]。
- 经过 L 层 transformer encoder: Transformer encoder 如上图右。
- 做 classification: 在 class token 那个位置上的输出后接 MLP head 用以做分类classification。
5. 实验结果
最终的定量的实验结果如下：
定性的结果如下：
通过上面的实验可以说明 Transformer 可以经过足够大量数据做预训练后，最终的效果会比 CNN 的效果要好。
进而我们来观察不同数据规模的影响，如下所示：
上面的图片为作者将模型经过不同大小训练子集 (9M、30M、90M) 做预训练，随着数据量的提升发现 ViT 的性能也逐渐增强，表示卷积的归纳偏差使用于较小的训练数据集，大规模的数据集可以使用 Transformer。
我们将学到的Attention进行可视化，如下：
上图为作者将训练模型的 Attention map可视化后的效果，可以发现注意力机制在图像分类任务上具有语义上的关联性。
6. 总结
本篇论文实现将Transformer应用于图像分类任务上，不同于其他方式将特定图像归纳偏差引入模型构架，而是将一张图片拆解成多个大小相同的patch块，透过在大量数据集上预训练进而达到比CNN构架更好的结果； 同时ViT 可以适用于输入各种大小尺寸的图像,推荐大家多多使用！
关注公众号《AI算法之道》，获取更多AI算法资讯。
