PoolFormer
概述
PoolFormer模型是由Sea AI Labs在MetaFormer is Actually What You Need for Vision中提出的。这项工作不是通过设计复杂的token mixer来实现SOTA性能,而是旨在展示transformer模型的能力主要源于通用架构MetaFormer。
论文的摘要如下:
Transformer在计算机视觉任务中展现了巨大的潜力。普遍认为,其基于注意力的token mixer模块对其能力贡献最大。然而,最近的研究表明,Transformer中的基于注意力的模块可以被空间MLPs取代,并且所得到的模型仍然表现良好。基于这一观察,我们假设Transformer的通用架构,而不是特定的token mixer模块,对模型的性能更为关键。为了验证这一点,我们故意将Transformer中的注意力模块替换为一个极其简单的空间池化操作符,仅进行最基本的token混合。令人惊讶的是,我们观察到,由此衍生的模型,称为PoolFormer,在多个计算机视觉任务上取得了竞争性的性能。例如,在ImageNet-1K上,PoolFormer达到了82.1%的top-1准确率,超过了经过良好调整的视觉Transformer/MLP类基线DeiT-B/ResMLP-B24,准确率分别提高了0.3%/1.1%,同时减少了35%/52%的参数和48%/60%的MACs。PoolFormer的有效性验证了我们的假设,并促使我们提出了“MetaFormer”的概念,这是一种从Transformer中抽象出来的通用架构,不指定token mixer。基于广泛的实验,我们认为MetaFormer是最近Transformer和MLP类模型在视觉任务中取得优异结果的关键因素。这项工作呼吁未来的研究更多地致力于改进MetaFormer,而不是专注于token mixer模块。此外,我们提出的PoolFormer可以作为未来MetaFormer架构设计的起点基线。
下图展示了PoolFormer的架构。取自原始论文。
![](https://user-images.githubusercontent.com/15921929/142746124-1ab7635d-2536-4a0e-ad43-b4fe2c5a525d.png)
使用提示
- PoolFormer 具有分层架构,其中使用简单的平均池化层代替了注意力机制。该模型的所有检查点都可以在 hub 上找到。
- 可以使用PoolFormerImageProcessor来为模型准备图像。
- 与大多数模型一样,PoolFormer 也有不同的尺寸,具体细节可以在下表中找到。
模型变体 | 深度 | 隐藏层大小 | 参数 (M) | ImageNet-1k Top 1 |
---|---|---|---|---|
s12 | [2, 2, 6, 2] | [64, 128, 320, 512] | 12 | 77.2 |
s24 | [4, 4, 12, 4] | [64, 128, 320, 512] | 21 | 80.3 |
s36 | [6, 6, 18, 6] | [64, 128, 320, 512] | 31 | 81.4 |
m36 | [6, 6, 18, 6] | [96, 192, 384, 768] | 56 | 82.1 |
m48 | [8, 8, 24, 8] | [96, 192, 384, 768] | 73 | 82.5 |
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PoolFormer。
- PoolFormerForImageClassification 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。
PoolFormerConfig
类 transformers.PoolFormerConfig
< source >( num_channels = 3 patch_size = 16 stride = 16 pool_size = 3 mlp_ratio = 4.0 depths = [2, 2, 6, 2] hidden_sizes = [64, 128, 320, 512] patch_sizes = [7, 3, 3, 3] strides = [4, 2, 2, 2] padding = [2, 1, 1, 1] num_encoder_blocks = 4 drop_path_rate = 0.0 hidden_act = 'gelu' use_layer_scale = True layer_scale_init_value = 1e-05 initializer_range = 0.02 **kwargs )
参数
- num_channels (
int
, optional, defaults to 3) — 输入图像中的通道数。 - patch_size (
int
, optional, defaults to 16) — 输入补丁的大小。 - stride (
int
, optional, 默认为 16) — 输入补丁的步幅. - pool_size (
int
, 可选, 默认为 3) — 池化窗口的大小。 - mlp_ratio (
float
, optional, 默认为 4.0) — MLP 输出通道数与输入通道数的比率。 - depths (
list
, 可选, 默认为[2, 2, 6, 2]
) — 每个编码器块的深度。 - hidden_sizes (
list
, 可选, 默认为[64, 128, 320, 512]
) — 每个编码器块的隐藏大小。 - patch_sizes (
list
, optional, defaults to[7, 3, 3, 3]
) — 每个编码器块的输入补丁的大小。 - strides (
list
, 可选, 默认为[4, 2, 2, 2]
) — 每个编码器块的输入补丁的步幅。 - padding (
list
, 可选, 默认为[2, 1, 1, 1]
) — 每个编码器块的输入补丁的填充。 - num_encoder_blocks (
int
, optional, 默认为 4) — 编码器块的数量。 - drop_path_rate (
float
, optional, defaults to 0.0) — dropout层的dropout率。 - hidden_act (
str
, optional, defaults to"gelu"
) — 隐藏层的激活函数。 - use_layer_scale (
bool
, optional, defaults toTrue
) — 是否使用层缩放. - layer_scale_init_value (
float
, optional, defaults to 1e-05) — 层比例的初始值。 - initializer_range (
float
, optional, 默认为 0.02) — 权重的初始化范围。
这是用于存储PoolFormerModel配置的配置类。它用于根据指定的参数实例化一个PoolFormer模型,定义模型架构。使用默认值实例化配置将产生类似于PoolFormer sail/poolformer_s12架构的配置。
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 PoolFormerConfig, PoolFormerModel
>>> # Initializing a PoolFormer sail/poolformer_s12 style configuration
>>> configuration = PoolFormerConfig()
>>> # Initializing a model (with random weights) from the sail/poolformer_s12 style configuration
>>> model = PoolFormerModel(configuration)
>>> # Accessing the model configuration
>>> configuration = model.config
PoolFormerFeatureExtractor
预处理一张图像或一批图像。
PoolFormerImageProcessor
类 transformers.PoolFormerImageProcessor
< source >( do_resize: bool = True size: typing.Dict[str, int] = None crop_pct: int = 0.9 resample: Resampling =
参数
- do_resize (
bool
, 可选, 默认为True
) — 是否将图像的(高度,宽度)尺寸调整为指定的size
。可以在preprocess
方法中被do_resize
覆盖。 - size (
Dict[str, int]
optional, defaults to{"shortest_edge" -- 224}
): Size of the image after resizing. Can be overridden bysize
in thepreprocess
method. If crop_pct is unset:- size is
{"height": h, "width": w}
: the image is resized to(h, w)
. - size is
{"shortest_edge": s}
: the shortest edge of the image is resized to s whilst maintaining the aspect ratio.
如果设置了crop_pct:
- size is
{"height": h, "width": w}
: the image is resized to(int(floor(h/crop_pct)), int(floor(w/crop_pct)))
- size is
{"height": c, "width": c}
: the shortest edge of the image is resized toint(floor(c/crop_pct)
whilst maintaining the aspect ratio. - size is
{"shortest_edge": c}
: the shortest edge of the image is resized toint(floor(c/crop_pct)
whilst maintaining the aspect ratio.
- size is
- crop_pct (
float
, 可选, 默认为 0.9) — 从图像中心裁剪的百分比。可以在preprocess
方法中被crop_pct
覆盖。 - resample (
PILImageResampling
, 可选, 默认为Resampling.BICUBIC
) — 如果调整图像大小,则使用的重采样过滤器。可以在preprocess
方法中通过resample
覆盖此设置。 - do_center_crop (
bool
, 可选, 默认为True
) — 是否对图像进行中心裁剪。如果输入尺寸在任何一边小于crop_size
,图像将用0填充,然后进行中心裁剪。可以在preprocess
方法中通过do_center_crop
进行覆盖。 - crop_size (
Dict[str, int]
, 可选, 默认为{"height" -- 224, "width": 224}
): 应用中心裁剪后的图像大小。仅在do_center_crop
设置为True
时有效。可以通过preprocess
方法中的crop_size
参数进行覆盖。 - rescale_factor (
int
或float
, 可选, 默认为1/255
) — 如果重新缩放图像,则使用的缩放因子。可以在preprocess
方法中通过rescale_factor
参数覆盖此值。 - do_rescale (
bool
, 可选, 默认为True
) — 是否通过指定的比例rescale_factor
来重新缩放图像。可以在preprocess
方法中通过do_rescale
参数进行覆盖。 - do_normalize (
bool
, 可选, 默认为True
) — 控制是否对图像进行归一化。可以在preprocess
方法中通过do_normalize
参数进行覆盖。 - image_mean (
float
或List[float]
, 可选, 默认为IMAGENET_STANDARD_MEAN
) — 如果对图像进行归一化,则使用的均值。这是一个浮点数或与图像通道数长度相同的浮点数列表。可以通过preprocess
方法中的image_mean
参数进行覆盖。 - image_std (
float
或List[float]
, 可选, 默认为IMAGENET_STANDARD_STD
) — 如果对图像进行归一化,则使用的标准差。这是一个浮点数或与图像通道数长度相同的浮点数列表。可以在preprocess
方法中通过image_std
参数进行覆盖。
构建一个PoolFormer图像处理器。
预处理
< source >( images: typing.Union[ForwardRef('PIL.Image.Image'), numpy.ndarray, ForwardRef('torch.Tensor'), typing.List[ForwardRef('PIL.Image.Image')], typing.List[numpy.ndarray], typing.List[ForwardRef('torch.Tensor')]] do_resize: bool = None size: typing.Dict[str, int] = None crop_pct: int = None resample: Resampling = None do_center_crop: bool = None crop_size: typing.Dict[str, int] = None do_rescale: bool = None rescale_factor: float = None do_normalize: bool = None image_mean: typing.Union[float, typing.List[float], NoneType] = None image_std: typing.Union[float, typing.List[float], NoneType] = None return_tensors: typing.Union[str, transformers.utils.generic.TensorType, NoneType] = None data_format: ChannelDimension =
参数
- 图像 (
ImageInput
) — 要预处理的图像。期望输入单个或批量的图像,像素值范围在0到255之间。如果传入的图像像素值在0到1之间,请设置do_rescale=False
. - do_resize (
bool
, optional, defaults toself.do_resize
) — 是否调整图像大小. - size (
Dict[str, int]
, optional, defaults toself.size
) — 应用调整大小后的图像尺寸。 - crop_pct (
float
, 可选, 默认为self.crop_pct
) — 裁剪图像的百分比。仅在do_resize
设置为True
时有效。 - resample (
int
, 可选, 默认为self.resample
) — 如果调整图像大小,则使用的重采样过滤器。这可以是枚举PILImageResampling
之一,只有在do_resize
设置为True
时才会生效。 - do_center_crop (
bool
, optional, defaults toself.do_center_crop
) — 是否对图像进行中心裁剪。 - crop_size (
Dict[str, int]
, optional, defaults toself.crop_size
) — 应用中心裁剪后的图像大小。 - do_rescale (
bool
, optional, defaults toself.do_rescale
) — 是否将图像值缩放到 [0 - 1] 之间。 - rescale_factor (
float
, 可选, 默认为self.rescale_factor
) — 如果do_rescale
设置为True
,则用于重新缩放图像的重新缩放因子。 - do_normalize (
bool
, 可选, 默认为self.do_normalize
) — 是否对图像进行归一化处理. - image_mean (
float
或List[float]
, 可选, 默认为self.image_mean
) — 图像均值. - image_std (
float
orList[float]
, optional, defaults toself.image_std
) — 图像标准差. - return_tensors (
str
或TensorType
, 可选) — 返回的张量类型。可以是以下之一:- 未设置:返回一个
np.ndarray
列表。 TensorType.TENSORFLOW
或'tf'
:返回一个类型为tf.Tensor
的批次。TensorType.PYTORCH
或'pt'
:返回一个类型为torch.Tensor
的批次。TensorType.NUMPY
或'np'
:返回一个类型为np.ndarray
的批次。TensorType.JAX
或'jax'
:返回一个类型为jax.numpy.ndarray
的批次。
- 未设置:返回一个
- data_format (
ChannelDimension
或str
, 可选, 默认为ChannelDimension.FIRST
) — 输出图像的通道维度格式。可以是以下之一:ChannelDimension.FIRST
: 图像格式为 (num_channels, height, width)。ChannelDimension.LAST
: 图像格式为 (height, width, num_channels)。
- input_data_format (
ChannelDimension
或str
, 可选) — 输入图像的通道维度格式。如果未设置,则从输入图像推断通道维度格式。可以是以下之一:"channels_first"
或ChannelDimension.FIRST
: 图像格式为 (num_channels, height, width)。"channels_last"
或ChannelDimension.LAST
: 图像格式为 (height, width, num_channels)。"none"
或ChannelDimension.NONE
: 图像格式为 (height, width)。
预处理一张图像或一批图像。
PoolFormerModel
类 transformers.PoolFormerModel
< source >( config )
参数
- config (PoolFormerConfig) — 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PoolFormer模型转换器输出原始隐藏状态,没有任何特定的头部。 该模型是PyTorch torch.nn.Module 的子类。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.FloatTensor] = None output_hidden_states: typing.Optional[bool] = None return_dict: typing.Optional[bool] = None ) → transformers.modeling_outputs.BaseModelOutputWithNoAttention
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 PoolFormerImageProcessor.call().
返回
transformers.modeling_outputs.BaseModelOutputWithNoAttention
或 tuple(torch.FloatTensor)
一个 transformers.modeling_outputs.BaseModelOutputWithNoAttention
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),包含根据配置(PoolFormerConfig)和输入的各种元素。
-
last_hidden_state (
torch.FloatTensor
形状为(batch_size, num_channels, height, width)
) — 模型最后一层输出的隐藏状态序列。 -
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(一个用于嵌入层的输出,如果模型有嵌入层,+ 一个用于每一层的输出)形状为(batch_size, num_channels, height, width)
。模型在每一层输出时的隐藏状态加上可选的初始嵌入输出。
PoolFormerModel 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, PoolFormerModel
>>> 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("sail/poolformer_s12")
>>> model = PoolFormerModel.from_pretrained("sail/poolformer_s12")
>>> 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, 512, 7, 7]
PoolFormerForImageClassification
类 transformers.PoolFormerForImageClassification
< source >( config )
参数
- config (PoolFormerConfig) — 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。
PoolFormer 模型转换器,顶部带有图像分类头
该模型是一个PyTorch torch.nn.Module 子类。将其作为常规的PyTorch模块使用,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.FloatTensor] = None labels: typing.Optional[torch.LongTensor] = 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 PoolFormerImageProcessor.call(). - 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(PoolFormerConfig)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)。
PoolFormerForImageClassification 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, PoolFormerForImageClassification
>>> 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("sail/poolformer_s12")
>>> model = PoolFormerForImageClassification.from_pretrained("sail/poolformer_s12")
>>> 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