代码示例 / 计算机视觉 / 学习在视觉变换器中进行标记化

学习在视觉变换器中进行标记化

作者: Aritra Roy GosthipatySayak Paul(共同贡献),转为Keras 3的 Muhammad Anas Raza
创建日期: 2021/12/10
最后修改: 2023/08/14
描述: 自适应生成更少数量的标记用于视觉变换器。

在Colab中查看 GitHub源代码


介绍

视觉变换器(Dosovitskiy et al.)和许多其他基于变换器的架构(Liu et al.Yuan et al.等)在图像识别中显示出强大的结果。以下是视觉变换器架构在图像分类中涉及的组件的简要概述:

  • 从输入图像中提取小块。
  • 线性投影这些块。
  • 为这些线性投影添加位置嵌入。
  • 通过一系列变换器(Vaswani et al.)块运行这些投影。
  • 最后,从最后的变换器块中获取表示,并添加分类头。

如果我们取224x224的图像并提取16x16的块,则每个图像将得到196个块(也称为标记)。随着分辨率的提高,块的数量增加,从而导致更高的内存占用。我们能否使用减少的块数量而不牺牲性能?Ryoo等人在TokenLearner: Adaptive Space-Time Tokenization for Videos中探讨了这个问题。他们引入了一个新模块称为TokenLearner,它可以以自适应的方式帮助减少视觉变换器(ViT)使用的块的数量。通过在标准ViT架构中引入TokenLearner,他们能够减少模型使用的计算量(以FLOPS衡量)。

在这个示例中,我们实现了TokenLearner模块并展示了它在小型ViT和CIFAR-10数据集上的性能。我们利用以下参考资料:


导入

import keras
from keras import layers
from keras import ops
from tensorflow import data as tf_data


from datetime import datetime
import matplotlib.pyplot as plt
import numpy as np

import math

超参数

请随意更改超参数并检查您的结果。发展对架构的直觉的最好方法是进行实验。

# 数据
BATCH_SIZE = 256
AUTO = tf_data.AUTOTUNE
INPUT_SHAPE = (32, 32, 3)
NUM_CLASSES = 10

# 优化器
LEARNING_RATE = 1e-3
WEIGHT_DECAY = 1e-4

# 训练
EPOCHS = 1

# 增强
IMAGE_SIZE = 48  # 我们将调整输入图像到这种大小。
PATCH_SIZE = 6  # 从输入图像中提取的块的大小。
NUM_PATCHES = (IMAGE_SIZE // PATCH_SIZE) ** 2

# ViT架构
LAYER_NORM_EPS = 1e-6
PROJECTION_DIM = 128
NUM_HEADS = 4
NUM_LAYERS = 4
MLP_UNITS = [
    PROJECTION_DIM * 2,
    PROJECTION_DIM,
]

# TOKENLEARNER
NUM_TOKENS = 4

加载和准备CIFAR-10数据集

# 加载CIFAR-10数据集。
(x_train, y_train), (x_test, y_test) = keras.datasets.cifar10.load_data()
(x_train, y_train), (x_val, y_val) = (
    (x_train[:40000], y_train[:40000]),
    (x_train[40000:], y_train[40000:]),
)
print(f"训练样本: {len(x_train)}")
print(f"验证样本: {len(x_val)}")
print(f"测试样本: {len(x_test)}")

# 转换为tf.data.Dataset对象。
train_ds = tf_data.Dataset.from_tensor_slices((x_train, y_train))
train_ds = train_ds.shuffle(BATCH_SIZE * 100).batch(BATCH_SIZE).prefetch(AUTO)

val_ds = tf_data.Dataset.from_tensor_slices((x_val, y_val))
val_ds = val_ds.batch(BATCH_SIZE).prefetch(AUTO)

test_ds = tf_data.Dataset.from_tensor_slices((x_test, y_test))
test_ds = test_ds.batch(BATCH_SIZE).prefetch(AUTO)
训练样本: 40000
验证样本: 10000
测试样本: 10000

数据增强

增强管道包括:

  • 重新缩放
  • 调整大小
  • 随机裁剪(固定大小或随机大小)
  • 随机水平翻转
data_augmentation = keras.Sequential(
    [
        layers.Rescaling(1 / 255.0),
        layers.Resizing(INPUT_SHAPE[0] + 20, INPUT_SHAPE[0] + 20),
        layers.RandomCrop(IMAGE_SIZE, IMAGE_SIZE),
        layers.RandomFlip("horizontal"),
    ],
    name="data_augmentation",
)

注意,图像数据增强层在推理时不应用数据变换。这意味着当这些层以 training=False 被调用时,它们的行为有所不同。有关更多详细信息,请参阅 文档


位置嵌入模块

一个 Transformer 架构由 多头自注意力 层和 全连接前馈 神经网络(MLP)作为主要组件。这两个组件都是 置换不变的:它们不意识到特征顺序。

为了克服这个问题,我们注入带有位置信息的标记。position_embedding 函数将这个位置信息添加到线性投影的标记中。

class PatchEncoder(layers.Layer):
    def __init__(self, num_patches, projection_dim):
        super().__init__()
        self.num_patches = num_patches
        self.position_embedding = layers.Embedding(
            input_dim=num_patches, output_dim=projection_dim
        )

    def call(self, patch):
        positions = ops.expand_dims(
            ops.arange(start=0, stop=self.num_patches, step=1), axis=0
        )
        encoded = patch + self.position_embedding(positions)
        return encoded

    def get_config(self):
        config = super().get_config()
        config.update({"num_patches": self.num_patches})
        return config

Transformer 的 MLP 块

这作为我们 Transformer 的全连接前馈块。

def mlp(x, dropout_rate, hidden_units):
    # 遍历隐藏单元并
    # 添加 Dense => Dropout。
    for units in hidden_units:
        x = layers.Dense(units, activation=ops.gelu)(x)
        x = layers.Dropout(dropout_rate)(x)
    return x

TokenLearner 模块

下面的图展示了该模块的图示概述 (来源)。

TokenLearner 模块 GIF

TokenLearner 模块接受一个图像形状的张量作为输入。然后它通过多个单通道卷积层,提取关注输入不同部分的不同空间注意力图。这些注意力图随后与输入逐元素相乘,并通过池化进行汇总。这个池化输出可以被视为输入的摘要,且相较于原始的补丁数量(例如 196),数量大大减少(例如 8)。

使用多个卷积层有助于表达性。施加一种空间注意力的形式有助于保留输入中的相关信息。这两个组件对 TokenLearner 的工作至关重要,尤其是在我们显著减少补丁数量时。

def token_learner(inputs, number_of_tokens=NUM_TOKENS):
    # 对输入进行层归一化。
    x = layers.LayerNormalization(epsilon=LAYER_NORM_EPS)(inputs)  # (B, H, W, C)

    # 应用 Conv2D => 重塑 => 转置
    # 进行重塑和转置以帮助后续的
    # 乘法和全局平均池化步骤。
    attention_maps = keras.Sequential(
        [
            # 3 层带有 gelu 激活的卷积,如论文中建议的。
            layers.Conv2D(
                filters=number_of_tokens,
                kernel_size=(3, 3),
                activation=ops.gelu,
                padding="same",
                use_bias=False,
            ),
            layers.Conv2D(
                filters=number_of_tokens,
                kernel_size=(3, 3),
                activation=ops.gelu,
                padding="same",
                use_bias=False,
            ),
            layers.Conv2D(
                filters=number_of_tokens,
                kernel_size=(3, 3),
                activation=ops.gelu,
                padding="same",
                use_bias=False,
            ),
            # 这个卷积层将生成注意力图
            layers.Conv2D(
                filters=number_of_tokens,
                kernel_size=(3, 3),
                activation="sigmoid",  # 注意 sigmoid 输出范围为 [0, 1]
                padding="same",
                use_bias=False,
            ),
            # 重塑和转置
            layers.Reshape((-1, number_of_tokens)),  # (B, H*W, num_of_tokens)
            layers.Permute((2, 1)),
        ]
    )(
        x
    )  # (B, num_of_tokens, H*W)

    # 重塑输入以与卷积块的输出对齐。
    num_filters = inputs.shape[-1]
    inputs = layers.Reshape((1, -1, num_filters))(inputs)  # inputs == (B, 1, H*W, C)

    # 注意力图和输入的逐元素乘法
    attended_inputs = (
        ops.expand_dims(attention_maps, axis=-1) * inputs
    )  # (B, num_tokens, H*W, C)

    # 对逐元素乘法结果进行全局平均池化。
    outputs = ops.mean(attended_inputs, axis=2)  # (B, num_tokens, C)
    return outputs

Transformer block

def transformer(encoded_patches):
    # 层归一化 1.
    x1 = layers.LayerNormalization(epsilon=LAYER_NORM_EPS)(encoded_patches)

    # 多头自注意力层 1.
    attention_output = layers.MultiHeadAttention(
        num_heads=NUM_HEADS, key_dim=PROJECTION_DIM, dropout=0.1
    )(x1, x1)

    # 跳过连接 1.
    x2 = layers.Add()([attention_output, encoded_patches])

    # 层归一化 2.
    x3 = layers.LayerNormalization(epsilon=LAYER_NORM_EPS)(x2)

    # MLP 层 1.
    x4 = mlp(x3, hidden_units=MLP_UNITS, dropout_rate=0.1)

    # 跳过连接 2.
    encoded_patches = layers.Add()([x4, x2])
    return encoded_patches

ViT 模型与 TokenLearner 模块

def create_vit_classifier(use_token_learner=True, token_learner_units=NUM_TOKENS):
    inputs = layers.Input(shape=INPUT_SHAPE)  # (B, H, W, C)

    # 数据增强.
    augmented = data_augmentation(inputs)

    # 创建补丁并投影补丁.
    projected_patches = layers.Conv2D(
        filters=PROJECTION_DIM,
        kernel_size=(PATCH_SIZE, PATCH_SIZE),
        strides=(PATCH_SIZE, PATCH_SIZE),
        padding="VALID",
    )(augmented)
    _, h, w, c = projected_patches.shape
    projected_patches = layers.Reshape((h * w, c))(
        projected_patches
    )  # (B, number_patches, projection_dim)

    # 将位置嵌入添加到投影的补丁中.
    encoded_patches = PatchEncoder(
        num_patches=NUM_PATCHES, projection_dim=PROJECTION_DIM
    )(
        projected_patches
    )  # (B, number_patches, projection_dim)
    encoded_patches = layers.Dropout(0.1)(encoded_patches)

    # 遍历层数并堆叠 Transformer 块.
    for i in range(NUM_LAYERS):
        # 添加一个 Transformer 块.
        encoded_patches = transformer(encoded_patches)

        # 在架构中间添加 TokenLearner 层. 论文建议在 1/2 到 3/4 之间都很好.
        if use_token_learner and i == NUM_LAYERS // 2:
            _, hh, c = encoded_patches.shape
            h = int(math.sqrt(hh))
            encoded_patches = layers.Reshape((h, h, c))(
                encoded_patches
            )  # (B, h, h, projection_dim)
            encoded_patches = token_learner(
                encoded_patches, token_learner_units
            )  # (B, num_tokens, c)

    # 层归一化和全局平均池化.
    representation = layers.LayerNormalization(epsilon=LAYER_NORM_EPS)(encoded_patches)
    representation = layers.GlobalAvgPool1D()(representation)

    # 分类输出.
    outputs = layers.Dense(NUM_CLASSES, activation="softmax")(representation)

    # 创建 Keras 模型.
    model = keras.Model(inputs=inputs, outputs=outputs)
    return model

TokenLearner 论文所示,在网络中间包含 TokenLearner 模块几乎总是有利的。


训练实用工具

def run_experiment(model):
    # 初始化 AdamW 优化器.
    optimizer = keras.optimizers.AdamW(
        learning_rate=LEARNING_RATE, weight_decay=WEIGHT_DECAY
    )

    # 使用优化器、损失函数和指标编译模型.
    model.compile(
        optimizer=optimizer,
        loss="sparse_categorical_crossentropy",
        metrics=[
            keras.metrics.SparseCategoricalAccuracy(name="accuracy"),
            keras.metrics.SparseTopKCategoricalAccuracy(5, name="top-5-accuracy"),
        ],
    )

    # 定义回调
    checkpoint_filepath = "/tmp/checkpoint.weights.h5"
    checkpoint_callback = keras.callbacks.ModelCheckpoint(
        checkpoint_filepath,
        monitor="val_accuracy",
        save_best_only=True,
        save_weights_only=True,
    )

    # 训练模型.
    _ = model.fit(
        train_ds,
        epochs=EPOCHS,
        validation_data=val_ds,
        callbacks=[checkpoint_callback],
    )

    model.load_weights(checkpoint_filepath)
    _, accuracy, top_5_accuracy = model.evaluate(test_ds)
    print(f"测试准确率: {round(accuracy * 100, 2)}%")
    print(f"测试 top 5 准确率: {round(top_5_accuracy * 100, 2)}%")

使用 TokenLearner 训练和评估 ViT

vit_token_learner = create_vit_classifier()
run_experiment(vit_token_learner)
 157/157 ━━━━━━━━━━━━━━━━━━━━ 303s 2s/step - accuracy: 0.1158 - loss: 2.4798 - top-5-accuracy: 0.5352 - val_accuracy: 0.2206 - val_loss: 2.0292 - val_top-5-accuracy: 0.7688
 40/40 ━━━━━━━━━━━━━━━━━━━━ 5s 133ms/step - accuracy: 0.2298 - loss: 2.0179 - top-5-accuracy: 0.7723
测试准确率: 22.9%
测试 top 5 准确率: 77.22%

结果

我们在实现的迷你 ViT 内部实验了有无 TokenLearner(使用本示例中呈现的相同超参数)。以下是我们的结果: | TokenLearner | # tokens in
TokenLearner
| Top-1 Acc
(Averaged across 5 runs)
| GFLOPs | TensorBoard | |:—:|:—:|:—:|:—:|:—:| | N | - | 56.112% | 0.0184 | Link | | Y | 8 | 56.55% | 0.0153 | Link | | N | - | 56.37% | 0.0184 | Link | | Y | 4 | 56.4980% | 0.0147 | Link | | N | - (# Transformer 层:8) | 55.36% | 0.0359 | Link |

TokenLearner 能够持续地超越我们没有该模块的 mini ViT。 同样有趣的是,它也能够超越我们更深版本的 mini ViT(带有 8 层)。 作者在论文中也报告了类似的观察,并将其归因于 TokenLearner 的自适应性。

还应该注意的是,FLOPs 计数在添加 TokenLearner 模块时显著 减少。 随着 FLOPs 计数的减少,TokenLearner 模块能够提供更好的结果。 这与作者的发现非常一致。

此外,作者引入了一种新的 TokenLearner 版本,适用于较小的训练数据集。 引用作者的说法:

这个版本不再使用 4 个小通道的卷积层来实现空间注意力,而是使用 2 个具有更多通道的分组卷积层。 它还使用 softmax 而不是 sigmoid。 我们确认,当训练数据有限时,例如从头开始使用 ImageNet1K 进行训练时,这个版本的效果更好。

我们对该模块进行了实验,以下表格总结了结果:

# 组 # Tokens Top-1 Acc GFLOPs TensorBoard
4 4 54.638% 0.0149 Link
8 8 54.898% 0.0146 Link
4 8 55.196% 0.0149 Link

请注意,我们使用了此示例中呈现的相同超参数。 我们的实现可以在 该笔记本中找到。 我们承认,这个新的 TokenLearner 模块的结果略有偏差,可能需要通过超参数调整来改善。

注意: 为了计算我们模型的 FLOPs,我们使用了 这个工具 来自这个库


参数数量

您可能注意到,添加 TokenLearner 模块会增加基础网络的参数数量。 但这并不意味着它的效率较低,正如Dehghani et al.所显示的那样。 Bello et al.也报告了类似的发现。 TokenLearner 模块有助于降低整个网络的 FLOPS,从而帮助减少内存占用。


最后备注

  • TokenFuser:论文的作者还提出了另一个名为 TokenFuser 的模块。该模块有助于将 TokenLearner 输出的表示映射回其原始空间分辨率。为了在 ViT 架构中重用 TokenLearner,TokenFuser 是必需的。我们首先从 TokenLearner 学习令牌,从 Transformer 层构建令牌的表示,然后将表示重新映射到原始空间分辨率,以便可以再次由 TokenLearner 消费。请注意,如果不与 TokenFuser 配对,则整个 ViT 模型中只能使用一次 TokenLearner 模块。
  • 将这些模块用于视频:作者还建议 TokenFuser 与视频的视觉变换器非常契合(Arnab et al.)。

我们感谢 JarvisLabsGoogle Developers Experts 项目提供的 GPU 额度支持。同时,感谢 TokenLearner 的第一作者 Michael Ryoo 的富有成效的讨论。