卷积视觉变换器 (CvT)
概述
CvT模型由Haiping Wu、Bin Xiao、Noel Codella、Mengchen Liu、Xiyang Dai、Lu Yuan和Lei Zhang在CvT: Introducing Convolutions to Vision Transformers中提出。卷积视觉Transformer(CvT)通过在ViT中引入卷积,结合了两种设计的优点,从而在性能和效率上改进了Vision Transformer (ViT)。
论文的摘要如下:
我们在本文中提出了一种新的架构,名为卷积视觉Transformer(CvT),通过在ViT中引入卷积来提高Vision Transformer(ViT)的性能和效率,从而结合了两种设计的优点。这是通过两个主要修改实现的:包含新卷积标记嵌入的Transformer层次结构,以及利用卷积投影的卷积Transformer块。这些修改将卷积神经网络(CNN)的理想特性(即平移、缩放和扭曲不变性)引入到ViT架构中,同时保持了Transformer的优点(即动态注意力、全局上下文和更好的泛化能力)。我们通过广泛的实验验证了CvT,表明该方法在ImageNet-1k上比其他Vision Transformer和ResNets实现了最先进的性能,且参数更少、FLOPs更低。此外,当在更大数据集(例如ImageNet-22k)上进行预训练并微调到下游任务时,性能提升得以保持。在ImageNet-22k上预训练的CvT-W24在ImageNet-1k验证集上获得了87.7%的top-1准确率。最后,我们的结果表明,现有Vision Transformer中的关键组件——位置编码,可以在我们的模型中安全地移除,从而简化了高分辨率视觉任务的设计。
使用提示
- CvT模型是常规的视觉变换器,但使用卷积进行训练。在ImageNet-1K和CIFAR-100上进行微调时,它们优于原始模型(ViT)。
- 您可以查看关于推理以及自定义数据微调的演示笔记本这里(您只需将ViTFeatureExtractor替换为AutoImageProcessor,将ViTForImageClassification替换为CvtForImageClassification)。
- 可用的检查点要么是(1)仅在ImageNet-22k(包含1400万张图像和22k个类别的集合)上预训练,(2)也在ImageNet-22k上进行了微调,或者(3)也在ImageNet-1k(也称为ILSVRC 2012,包含130万张图像和1000个类别的集合)上进行了微调。
资源
一份官方的 Hugging Face 和社区(由🌎表示)资源列表,帮助您开始使用 CvT。
- CvtForImageClassification 由这个 示例脚本 和 笔记本 支持。
- 另请参阅:图像分类任务指南
如果您有兴趣提交资源以包含在此处,请随时打开一个 Pull Request,我们将进行审核!理想情况下,资源应展示一些新内容,而不是重复现有资源。
CvtConfig
类 transformers.CvtConfig
< source >( num_channels = 3 patch_sizes = [7, 3, 3] patch_stride = [4, 2, 2] patch_padding = [2, 1, 1] embed_dim = [64, 192, 384] num_heads = [1, 3, 6] depth = [1, 2, 10] mlp_ratio = [4.0, 4.0, 4.0] attention_drop_rate = [0.0, 0.0, 0.0] drop_rate = [0.0, 0.0, 0.0] drop_path_rate = [0.0, 0.0, 0.1] qkv_bias = [True, True, True] cls_token = [False, False, True] qkv_projection_method = ['dw_bn', 'dw_bn', 'dw_bn'] kernel_qkv = [3, 3, 3] padding_kv = [1, 1, 1] stride_kv = [2, 2, 2] padding_q = [1, 1, 1] stride_q = [1, 1, 1] initializer_range = 0.02 layer_norm_eps = 1e-12 **kwargs )
参数
- num_channels (
int
, optional, defaults to 3) — 输入通道的数量。 - patch_sizes (
List[int]
, 可选, 默认为[7, 3, 3]
) — 每个编码器的补丁嵌入的核大小。 - patch_stride (
List[int]
, optional, defaults to[4, 2, 2]
) — 每个编码器的补丁嵌入的步幅大小。 - patch_padding (
List[int]
, optional, defaults to[2, 1, 1]
) — 每个编码器的补丁嵌入的填充大小。 - embed_dim (
List[int]
, 可选, 默认为[64, 192, 384]
) — 每个编码器块的维度。 - num_heads (
List[int]
, 可选, 默认为[1, 3, 6]
) — Transformer编码器每个块中每个注意力层的注意力头数。 - depth (
List[int]
, 可选, 默认为[1, 2, 10]
) — 每个编码器块中的层数。 - mlp_ratios (
List[float]
, 可选, 默认为[4.0, 4.0, 4.0, 4.0]
) — 编码器块中Mix FFNs的隐藏层大小与输入层大小的比率。 - attention_drop_rate (
List[float]
, optional, defaults to[0.0, 0.0, 0.0]
) — 注意力概率的丢弃比率。 - drop_rate (
List[float]
, 可选, 默认为[0.0, 0.0, 0.0]
) — 用于补丁嵌入概率的丢弃比率。 - drop_path_rate (
List[float]
, optional, defaults to[0.0, 0.0, 0.1]
) — 用于Transformer编码器块中的随机深度的丢弃概率。 - qkv_bias (
List[bool]
, optional, defaults to[True, True, True]
) — 注意力机制中查询、键和值的偏置布尔值 - cls_token (
List[bool]
, 可选, 默认为[False, False, True]
) — 是否在最后3个阶段的输出中添加分类标记。 - qkv_projection_method (
List[string]
, 可选, 默认为 [“dw_bn”, “dw_bn”, “dw_bn”]`) — 查询、键和值的投影方法。默认是带有批量归一化的深度卷积。对于线性投影,使用“avg”。 - kernel_qkv (
List[int]
, 可选, 默认为[3, 3, 3]
) — 注意力层中查询、键和值的核大小 - padding_kv (
List[int]
, 可选, 默认为[1, 1, 1]
) — 注意力层中键和值的填充大小 - stride_kv (
List[int]
, optional, defaults to[2, 2, 2]
) — 注意力层中键和值的步幅大小 - padding_q (
List[int]
, optional, defaults to[1, 1, 1]
) — 注意力层中查询的填充大小 - stride_q (
List[int]
, optional, 默认为[1, 1, 1]
) — 注意力层中查询的步幅大小 - initializer_range (
float
, 可选, 默认为 0.02) — 用于初始化所有权重矩阵的截断正态初始化器的标准差。 - layer_norm_eps (
float
, optional, defaults to 1e-6) — 层归一化层使用的epsilon值。
这是用于存储CvtModel配置的配置类。它用于根据指定的参数实例化一个CvT模型,定义模型架构。使用默认值实例化配置将产生与CvT microsoft/cvt-13架构类似的配置。
配置对象继承自PretrainedConfig,可用于控制模型输出。阅读PretrainedConfig的文档以获取更多信息。
示例:
>>> from transformers import CvtConfig, CvtModel
>>> # Initializing a Cvt msft/cvt style configuration
>>> configuration = CvtConfig()
>>> # Initializing a model (with random weights) from the msft/cvt style configuration
>>> model = CvtModel(configuration)
>>> # Accessing the model configuration
>>> configuration = model.config
CvtModel
类 transformers.CvtModel
< source >( config add_pooling_layer = True )
参数
- config (CvtConfig) — 包含模型所有参数的模型配置类。 使用配置文件初始化不会加载与模型相关的权重,只会加载配置。查看 from_pretrained() 方法以加载模型权重。
裸的Cvt模型转换器输出原始隐藏状态,没有任何特定的头部。 这个模型是一个PyTorch torch.nn.Module 子类。将其用作常规的PyTorch模块,并参考PyTorch文档以获取与一般使用和行为相关的所有事项。
前进
< source >( pixel_values: typing.Optional[torch.Tensor] = None output_hidden_states: typing.Optional[bool] = None return_dict: typing.Optional[bool] = None ) → transformers.models.cvt.modeling_cvt.BaseModelOutputWithCLSToken
或 tuple(torch.FloatTensor)
参数
- pixel_values (
torch.FloatTensor
of shape(batch_size, num_channels, height, width)
) — 像素值。像素值可以使用AutoImageProcessor获取。详情请参见CvtImageProcessor.__call__
。 - output_hidden_states (
bool
, 可选) — 是否返回所有层的隐藏状态。有关更多详细信息,请参见返回张量下的hidden_states
。 - return_dict (
bool
, 可选) — 是否返回一个 ModelOutput 而不是一个普通的元组。
返回
transformers.models.cvt.modeling_cvt.BaseModelOutputWithCLSToken
或 tuple(torch.FloatTensor)
一个 transformers.models.cvt.modeling_cvt.BaseModelOutputWithCLSToken
或一个由
torch.FloatTensor
组成的元组(如果传递了 return_dict=False
或当 config.return_dict=False
时),包含各种
元素,具体取决于配置(CvtConfig)和输入。
- last_hidden_state (
torch.FloatTensor
形状为(batch_size, sequence_length, hidden_size)
) — 模型最后一层输出的隐藏状态序列。 - cls_token_value (
torch.FloatTensor
形状为(batch_size, 1, hidden_size)
) — 模型最后一层输出的分类标记。 - hidden_states (
tuple(torch.FloatTensor)
, 可选, 当传递了output_hidden_states=True
或当config.output_hidden_states=True
时返回) — 由torch.FloatTensor
组成的元组(一个用于嵌入的输出 + 一个用于每一层的输出),形状为(batch_size, sequence_length, hidden_size)
。模型在每一层输出的隐藏状态加上初始嵌入输出。
CvtModel 的前向方法,重写了 __call__
特殊方法。
尽管前向传递的配方需要在此函数内定义,但之后应该调用Module
实例而不是这个,因为前者负责运行预处理和后处理步骤,而后者会默默地忽略它们。
示例:
>>> from transformers import AutoImageProcessor, CvtModel
>>> import torch
>>> from datasets import load_dataset
>>> dataset = load_dataset("huggingface/cats-image", trust_remote_code=True)
>>> image = dataset["test"]["image"][0]
>>> image_processor = AutoImageProcessor.from_pretrained("microsoft/cvt-13")
>>> model = CvtModel.from_pretrained("microsoft/cvt-13")
>>> inputs = image_processor(image, return_tensors="pt")
>>> with torch.no_grad():
... outputs = model(**inputs)
>>> last_hidden_states = outputs.last_hidden_state
>>> list(last_hidden_states.shape)
[1, 384, 14, 14]
CvtForImageClassification
类 transformers.CvtForImageClassification
< source >( config )
参数
- config (CvtConfig) — 包含模型所有参数的模型配置类。 使用配置文件初始化不会加载与模型相关的权重,只会加载配置。查看 from_pretrained() 方法以加载模型权重。
Cvt 模型转换器,顶部带有图像分类头(在 [CLS] 标记的最终隐藏状态之上的线性层),例如用于 ImageNet。
该模型是一个PyTorch torch.nn.Module 子类。将其用作常规的PyTorch模块,并参考PyTorch文档以获取与一般使用和行为相关的所有信息。
前进
< source >( pixel_values: typing.Optional[torch.Tensor] = None labels: typing.Optional[torch.Tensor] = None output_hidden_states: typing.Optional[bool] = None return_dict: typing.Optional[bool] = None ) → transformers.modeling_outputs.ImageClassifierOutputWithNoAttention 或 tuple(torch.FloatTensor)
参数
- pixel_values (
torch.FloatTensor
of shape(batch_size, num_channels, height, width)
) — 像素值。像素值可以使用AutoImageProcessor获取。详情请参见CvtImageProcessor.__call__
。 - output_hidden_states (
bool
, 可选) — 是否返回所有层的隐藏状态。有关更多详细信息,请参见返回张量下的hidden_states
。 - return_dict (
bool
, 可选) — 是否返回一个 ModelOutput 而不是一个普通的元组。 - labels (
torch.LongTensor
of shape(batch_size,)
, optional) — 用于计算图像分类/回归损失的标签。索引应在[0, ..., config.num_labels - 1]
范围内。如果config.num_labels == 1
,则计算回归损失(均方损失),如果config.num_labels > 1
,则计算分类损失(交叉熵)。
返回
transformers.modeling_outputs.ImageClassifierOutputWithNoAttention 或 tuple(torch.FloatTensor)
一个 transformers.modeling_outputs.ImageClassifierOutputWithNoAttention 或一个包含各种元素的
torch.FloatTensor
元组(如果传递了 return_dict=False
或当 config.return_dict=False
时),具体取决于配置(CvtConfig)和输入。
- loss (
torch.FloatTensor
形状为(1,)
,可选,当提供labels
时返回) — 分类(或回归,如果 config.num_labels==1)损失。 - logits (
torch.FloatTensor
形状为(batch_size, config.num_labels)
) — 分类(或回归,如果 config.num_labels==1)得分(在 SoftMax 之前)。 - hidden_states (
tuple(torch.FloatTensor)
,可选,当传递output_hidden_states=True
或当config.output_hidden_states=True
时返回) — 由torch.FloatTensor
组成的元组(一个用于嵌入层的输出,如果模型有嵌入层,+ 一个用于每个阶段的输出)形状为(batch_size, num_channels, height, width)
。模型在每个阶段输出的隐藏状态(也称为特征图)。
CvtForImageClassification 的前向方法,重写了 __call__
特殊方法。
尽管前向传递的配方需要在此函数内定义,但之后应该调用Module
实例而不是这个,因为前者负责运行预处理和后处理步骤,而后者会默默地忽略它们。
示例:
>>> from transformers import AutoImageProcessor, CvtForImageClassification
>>> import torch
>>> from datasets import load_dataset
>>> dataset = load_dataset("huggingface/cats-image", trust_remote_code=True)
>>> image = dataset["test"]["image"][0]
>>> image_processor = AutoImageProcessor.from_pretrained("microsoft/cvt-13")
>>> model = CvtForImageClassification.from_pretrained("microsoft/cvt-13")
>>> inputs = image_processor(image, return_tensors="pt")
>>> with torch.no_grad():
... logits = model(**inputs).logits
>>> # model predicts one of the 1000 ImageNet classes
>>> predicted_label = logits.argmax(-1).item()
>>> print(model.config.id2label[predicted_label])
tabby, tabby cat
TFCvtModel
类 transformers.TFCvtModel
< source >( config: CvtConfig *inputs **kwargs )
参数
- config (CvtConfig) — 包含模型所有参数的模型配置类。 使用配置文件初始化不会加载与模型相关的权重,只会加载配置。查看 from_pretrained() 方法以加载模型权重。
裸的Cvt模型变压器输出原始隐藏状态,顶部没有任何特定的头部。
该模型继承自 TFPreTrainedModel。请查看超类文档以了解库为其所有模型实现的通用方法(如下载或保存、调整输入嵌入的大小、修剪头部等)。
该模型也是一个keras.Model子类。可以将其作为常规的TF 2.0 Keras模型使用,并参考TF 2.0文档以了解与一般使用和行为相关的所有事项。
TF 2.0 模型接受两种格式作为输入:
- 将所有输入作为关键字参数(如PyTorch模型),或
- 将所有输入作为列表、元组或字典放在第一个位置参数中。
当使用keras.Model.fit
方法时,第二个选项很有用,因为该方法目前要求模型调用函数的第一个参数中包含所有张量:model(inputs)
。
调用
< source >( pixel_values: tf.Tensor | None = None output_hidden_states: Optional[bool] = None return_dict: Optional[bool] = None training: Optional[bool] = False ) → transformers.models.cvt.modeling_tf_cvt.TFBaseModelOutputWithCLSToken
或 tuple(tf.Tensor)
参数
- pixel_values (
np.ndarray
,tf.Tensor
,List[tf.Tensor]
`Dict[str, tf.Tensor]
orDict[str, np.ndarray]
and each example must have the shape(batch_size, num_channels, height, width)
) — 像素值。像素值可以使用AutoImageProcessor获取。详情请参见CvtImageProcessor.__call__
。 - output_hidden_states (
bool
, 可选) — 是否返回所有层的隐藏状态。有关更多详细信息,请参阅返回张量下的hidden_states
。此参数只能在eager模式下使用,在graph模式下将使用配置中的值。 - return_dict (
bool
, 可选) — 是否返回一个ModelOutput而不是一个普通的元组。此参数可以在eager模式下使用,在graph模式下该值将始终设置为True. - 训练 (
bool
, 可选, 默认为 `False“) — 是否在训练模式下使用模型(一些模块如dropout模块在训练和评估之间有不同的行为)。
返回
transformers.models.cvt.modeling_tf_cvt.TFBaseModelOutputWithCLSToken
或 tuple(tf.Tensor)
一个 transformers.models.cvt.modeling_tf_cvt.TFBaseModelOutputWithCLSToken
或一个 tf.Tensor
元组(如果
return_dict=False
被传递或当 config.return_dict=False
时)包含各种元素,具体取决于
配置 (CvtConfig) 和输入。
- last_hidden_state (
tf.Tensor
形状为(batch_size, sequence_length, hidden_size)
) — 模型最后一层输出的隐藏状态序列。 - cls_token_value (
tf.Tensor
形状为(batch_size, 1, hidden_size)
) — 模型最后一层输出的分类标记。 - hidden_states (
tuple(tf.Tensor)
, 可选, 当output_hidden_states=True
被传递或当config.output_hidden_states=True
时返回) —tf.Tensor
元组(一个用于嵌入的输出 + 一个用于每一层的输出)形状为(batch_size, sequence_length, hidden_size)
。模型在每一层输出时的隐藏状态加上 初始嵌入输出。
TFCvtModel 的前向方法,重写了 __call__
特殊方法。
尽管前向传递的配方需要在此函数内定义,但之后应该调用Module
实例而不是这个,因为前者负责运行预处理和后处理步骤,而后者会默默地忽略它们。
示例:
>>> from transformers import AutoImageProcessor, TFCvtModel
>>> from PIL import Image
>>> import requests
>>> url = "http://images.cocodataset.org/val2017/000000039769.jpg"
>>> image = Image.open(requests.get(url, stream=True).raw)
>>> image_processor = AutoImageProcessor.from_pretrained("microsoft/cvt-13")
>>> model = TFCvtModel.from_pretrained("microsoft/cvt-13")
>>> inputs = image_processor(images=image, return_tensors="tf")
>>> outputs = model(**inputs)
>>> last_hidden_states = outputs.last_hidden_state
TFCvtForImageClassification
类 transformers.TFCvtForImageClassification
< source >( config: CvtConfig *inputs **kwargs )
参数
- config (CvtConfig) — 包含模型所有参数的模型配置类。 使用配置文件初始化不会加载与模型相关的权重,只会加载配置。查看 from_pretrained() 方法以加载模型权重。
Cvt 模型转换器,顶部带有图像分类头(在 [CLS] 标记的最终隐藏状态之上的线性层),例如用于 ImageNet。
该模型继承自 TFPreTrainedModel。请查看超类文档以了解库为其所有模型实现的通用方法(如下载或保存、调整输入嵌入的大小、修剪头部等)。
该模型也是一个keras.Model子类。可以将其作为常规的TF 2.0 Keras模型使用,并参考TF 2.0文档以了解与一般使用和行为相关的所有事项。
TF 2.0 模型接受两种格式作为输入:
- 将所有输入作为关键字参数(如PyTorch模型),或
- 将所有输入作为列表、元组或字典放在第一个位置参数中。
当使用keras.Model.fit
方法时,第二个选项很有用,因为该方法目前要求模型调用函数的第一个参数中包含所有张量:model(inputs)
。
调用
< source >( pixel_values: tf.Tensor | None = None labels: tf.Tensor | None = None output_hidden_states: Optional[bool] = None return_dict: Optional[bool] = None training: Optional[bool] = False ) → transformers.modeling_tf_outputs.TFImageClassifierOutputWithNoAttention
或 tuple(tf.Tensor)
参数
- pixel_values (
np.ndarray
,tf.Tensor
,List[tf.Tensor]
`Dict[str, tf.Tensor]
orDict[str, np.ndarray]
and each example must have the shape(batch_size, num_channels, height, width)
) — 像素值。像素值可以使用AutoImageProcessor获取。详情请参见CvtImageProcessor.__call__
。 - output_hidden_states (
bool
, optional) — 是否返回所有层的隐藏状态。有关更多详细信息,请参见返回张量下的hidden_states
。此参数只能在eager模式下使用,在graph模式下将使用配置中的值。 - return_dict (
bool
, 可选) — 是否返回一个ModelOutput而不是一个普通的元组。此参数可以在eager模式下使用,在graph模式下该值将始终设置为True. - 训练 (
bool
, 可选, 默认为 `False“) — 是否在训练模式下使用模型(一些模块如dropout模块在训练和评估之间有不同的行为)。 - labels (
tf.Tensor
或np.ndarray
形状为(batch_size,)
, 可选) — 用于计算图像分类/回归损失的标签。索引应在[0, ..., config.num_labels - 1]
范围内。如果config.num_labels == 1
,则计算回归损失(均方损失),如果config.num_labels > 1
,则计算分类损失(交叉熵)。
返回
transformers.modeling_tf_outputs.TFImageClassifierOutputWithNoAttention
或 tuple(tf.Tensor)
一个 transformers.modeling_tf_outputs.TFImageClassifierOutputWithNoAttention
或一个 tf.Tensor
的元组(如果
return_dict=False
被传递或当 config.return_dict=False
时)包含各种元素,取决于
配置 (CvtConfig) 和输入。
- loss (
tf.Tensor
形状为(1,)
, 可选, 当提供labels
时返回) — 分类(或回归,如果 config.num_labels==1)损失。 - logits (
tf.Tensor
形状为(batch_size, config.num_labels)
) — 分类(或回归,如果 config.num_labels==1)得分(在 SoftMax 之前)。 - hidden_states (
tuple(tf.Tensor)
, 可选, 当传递output_hidden_states=True
或当config.output_hidden_states=True
时返回) —tf.Tensor
的元组(一个用于嵌入层的输出,如果模型有嵌入层,+ 一个用于 每个阶段的输出)形状为(batch_size, num_channels, height, width)
。模型在每个阶段输出的隐藏状态(也称为 特征图)。
TFCvtForImageClassification 的前向方法,重写了 __call__
特殊方法。
尽管前向传递的配方需要在此函数内定义,但之后应该调用Module
实例而不是这个,因为前者负责运行预处理和后处理步骤,而后者会默默地忽略它们。
示例:
>>> from transformers import AutoImageProcessor, TFCvtForImageClassification
>>> import tensorflow as tf
>>> from PIL import Image
>>> import requests
>>> url = "http://images.cocodataset.org/val2017/000000039769.jpg"
>>> image = Image.open(requests.get(url, stream=True).raw)
>>> image_processor = AutoImageProcessor.from_pretrained("microsoft/cvt-13")
>>> model = TFCvtForImageClassification.from_pretrained("microsoft/cvt-13")
>>> inputs = image_processor(images=image, return_tensors="tf")
>>> outputs = model(**inputs)
>>> logits = outputs.logits
>>> # model predicts one of the 1000 ImageNet classes
>>> predicted_class_idx = tf.math.argmax(logits, axis=-1)[0]
>>> print("Predicted class:", model.config.id2label[int(predicted_class_idx)])