代码示例 / 计算机视觉 / 探究 Vision Transformer 表示

探究 Vision Transformer 表示

作者: Aritra Roy GosthipatySayak Paul(同等贡献)
创建日期 2022/04/12
上次修改日期 2023/11/20
描述:深入了解不同 Vision Transformer 变体的学习表示。

ⓘ 此示例使用 Keras 3

在 Colab 中查看 GitHub 源代码


引言

在本示例中,我们深入研究了不同 Vision Transformer (ViT) 模型学习到的表示。我们使用此示例的主要目标是提供对赋予 ViT 从图像数据中学习能力的见解。特别是,该示例讨论了几个不同的 ViT 分析工具的实现。

注意:当我们说“Vision Transformer”时,我们指的是一种涉及 Transformer 块(Vaswani 等人)的计算机视觉架构,而不一定是指原始的 Vision Transformer 模型(Dosovitskiy 等人)。


考虑的模型

自从原始 Vision Transformer 诞生以来,计算机视觉领域已经出现了许多不同的 ViT 变体,它们以各种方式改进了原始模型:训练改进、架构改进等等。在本示例中,我们考虑以下 ViT 模型系列

  • 使用 ImageNet-1k 和 ImageNet-21k 数据集进行监督预训练的 ViT(Dosovitskiy 等人)。
  • 使用监督预训练但仅使用 ImageNet-1k 数据集,并进行更多正则化和蒸馏的 ViT(Touvron 等人)(DeiT)。
  • 使用自监督预训练的 ViT(Caron 等人)(DINO)。

由于预训练模型未在 Keras 中实现,因此我们首先尽可能忠实地实现了它们。然后,我们使用官方的预训练参数填充它们。最后,我们在 ImageNet-1k 验证集上评估了我们的实现,以确保评估结果与原始实现相符。我们的实现细节可在此存储库中找到。

为了使示例简洁,我们不会详尽地将每个模型与分析方法配对。我们将在各个部分提供注释,以便您可以拾取相关部分。

要在 Google Colab 上运行此示例,我们需要像这样更新 gdown

pip install -U gdown -q

导入

import os

os.environ["KERAS_BACKEND"] = "tensorflow"

import zipfile
from io import BytesIO

import cv2
import matplotlib.pyplot as plt
import numpy as np
import requests

from PIL import Image
from sklearn.preprocessing import MinMaxScaler
import keras
from keras import ops

常量

RESOLUTION = 224
PATCH_SIZE = 16
GITHUB_RELEASE = "https://github.com/sayakpaul/probing-vits/releases/download/v1.0.0/probing_vits.zip"
FNAME = "probing_vits.zip"
MODELS_ZIP = {
    "vit_dino_base16": "Probing_ViTs/vit_dino_base16.zip",
    "vit_b16_patch16_224": "Probing_ViTs/vit_b16_patch16_224.zip",
    "vit_b16_patch16_224-i1k_pretrained": "Probing_ViTs/vit_b16_patch16_224-i1k_pretrained.zip",
}

数据实用程序

对于原始 ViT 模型,输入图像需要缩放到 [-1, 1] 范围内。对于开头提到的其他模型系列,我们需要使用 ImageNet-1k 训练集的通道均值和标准差对图像进行归一化。

crop_layer = keras.layers.CenterCrop(RESOLUTION, RESOLUTION)
norm_layer = keras.layers.Normalization(
    mean=[0.485 * 255, 0.456 * 255, 0.406 * 255],
    variance=[(0.229 * 255) ** 2, (0.224 * 255) ** 2, (0.225 * 255) ** 2],
)
rescale_layer = keras.layers.Rescaling(scale=1.0 / 127.5, offset=-1)


def preprocess_image(image, model_type, size=RESOLUTION):
    # Turn the image into a numpy array and add batch dim.
    image = np.array(image)
    image = ops.expand_dims(image, 0)

    # If model type is vit rescale the image to [-1, 1].
    if model_type == "original_vit":
        image = rescale_layer(image)

    # Resize the image using bicubic interpolation.
    resize_size = int((256 / 224) * size)
    image = ops.image.resize(image, (resize_size, resize_size), interpolation="bicubic")

    # Crop the image.
    image = crop_layer(image)

    # If model type is DeiT or DINO normalize the image.
    if model_type != "original_vit":
        image = norm_layer(image)

    return ops.convert_to_numpy(image)


def load_image_from_url(url, model_type):
    # Credit: Willi Gierke
    response = requests.get(url)
    image = Image.open(BytesIO(response.content))
    preprocessed_image = preprocess_image(image, model_type)
    return image, preprocessed_image

加载测试图像并显示它

# ImageNet-1k label mapping file and load it.

mapping_file = keras.utils.get_file(
    origin="https://storage.googleapis.com/bit_models/ilsvrc2012_wordnet_lemmas.txt"
)

with open(mapping_file, "r") as f:
    lines = f.readlines()
imagenet_int_to_str = [line.rstrip() for line in lines]

img_url = "https://dl.fbaipublicfiles.com/dino/img.png"
image, preprocessed_image = load_image_from_url(img_url, model_type="original_vit")

plt.imshow(image)
plt.axis("off")
plt.show()

png


加载模型

zip_path = keras.utils.get_file(
    fname=FNAME,
    origin=GITHUB_RELEASE,
)

with zipfile.ZipFile(zip_path, "r") as zip_ref:
    zip_ref.extractall("./")

os.rename("Probing ViTs", "Probing_ViTs")


def load_model(model_path: str) -> keras.Model:
    with zipfile.ZipFile(model_path, "r") as zip_ref:
        zip_ref.extractall("Probing_ViTs/")
    model_name = model_path.split(".")[0]

    inputs = keras.Input((RESOLUTION, RESOLUTION, 3))
    model = keras.layers.TFSMLayer(model_name, call_endpoint="serving_default")
    outputs = model(inputs, training=False)

    return keras.Model(inputs, outputs=outputs)


vit_base_i21k_patch16_224 = load_model(MODELS_ZIP["vit_b16_patch16_224-i1k_pretrained"])
print("Model loaded.")
Model loaded.

关于模型的更多信息:

此模型在 ImageNet-21k 数据集上进行了预训练,然后在 ImageNet-1k 数据集上进行了微调。要详细了解我们如何在 TensorFlow 中开发此模型(使用来自此源的预训练权重),请参阅此笔记本


使用模型运行常规推理

现在,我们使用加载的模型对测试图像运行推理。

def split_prediction_and_attention_scores(outputs):
    predictions = outputs["output_1"]
    attention_score_dict = {}
    for key, value in outputs.items():
        if key.startswith("output_2_"):
            attention_score_dict[key[len("output_2_") :]] = value
    return predictions, attention_score_dict


predictions, attention_score_dict = split_prediction_and_attention_scores(
    vit_base_i21k_patch16_224.predict(preprocessed_image)
)
predicted_label = imagenet_int_to_str[int(np.argmax(predictions))]
print(predicted_label)
 1/1 ━━━━━━━━━━━━━━━━━━━━ 5s 5s/step
toucan

WARNING: All log messages before absl::InitializeLog() is called are written to STDERR
I0000 00:00:1700526824.965785   75784 device_compiler.h:187] Compiled cluster using XLA!  This line is logged at most once for the lifetime of the process.

attention_score_dict 包含每个 Transformer 块的每个注意力头的注意力分数(softmax 输出)。


方法一:平均注意力距离

Dosovitskiy 等人Raghu 等人 使用了一种称为“平均注意力距离”的指标,该指标来自不同 Transformer 块的不同注意力头,以了解局部和全局信息如何流入视觉 Transformer。

平均注意力距离定义为查询 token 与其他 token 之间的距离乘以注意力权重。因此,对于单个图像

  • 我们提取图像中提取的单个 patch(token),
  • 计算它们的几何距离,以及
  • 将其乘以注意力分数。

注意力分数是在推理模式下通过网络前向传递图像后在此处计算的。下图可能有助于您更好地理解此过程。

此动画由 Ritwik Raha 创建。

def compute_distance_matrix(patch_size, num_patches, length):
    distance_matrix = np.zeros((num_patches, num_patches))
    for i in range(num_patches):
        for j in range(num_patches):
            if i == j:  # zero distance
                continue

            xi, yi = (int(i / length)), (i % length)
            xj, yj = (int(j / length)), (j % length)
            distance_matrix[i, j] = patch_size * np.linalg.norm([xi - xj, yi - yj])

    return distance_matrix


def compute_mean_attention_dist(patch_size, attention_weights, model_type):
    num_cls_tokens = 2 if "distilled" in model_type else 1

    # The attention_weights shape = (batch, num_heads, num_patches, num_patches)
    attention_weights = attention_weights[
        ..., num_cls_tokens:, num_cls_tokens:
    ]  # Removing the CLS token
    num_patches = attention_weights.shape[-1]
    length = int(np.sqrt(num_patches))
    assert length**2 == num_patches, "Num patches is not perfect square"

    distance_matrix = compute_distance_matrix(patch_size, num_patches, length)
    h, w = distance_matrix.shape

    distance_matrix = distance_matrix.reshape((1, 1, h, w))
    # The attention_weights along the last axis adds to 1
    # this is due to the fact that they are softmax of the raw logits
    # summation of the (attention_weights * distance_matrix)
    # should result in an average distance per token.
    mean_distances = attention_weights * distance_matrix
    mean_distances = np.sum(
        mean_distances, axis=-1
    )  # Sum along last axis to get average distance per token
    mean_distances = np.mean(
        mean_distances, axis=-1
    )  # Now average across all the tokens

    return mean_distances

感谢来自 Google 的 Simon Kornblith 为我们提供了此代码片段。它可以在 此处 找到。现在让我们使用这些实用程序使用加载的模型和测试图像生成注意力距离图。

# Build the mean distances for every Transformer block.
mean_distances = {
    f"{name}_mean_dist": compute_mean_attention_dist(
        patch_size=PATCH_SIZE,
        attention_weights=attention_weight,
        model_type="original_vit",
    )
    for name, attention_weight in attention_score_dict.items()
}

# Get the number of heads from the mean distance output.
num_heads = mean_distances["transformer_block_0_att_mean_dist"].shape[-1]

# Print the shapes
print(f"Num Heads: {num_heads}.")

plt.figure(figsize=(9, 9))

for idx in range(len(mean_distances)):
    mean_distance = mean_distances[f"transformer_block_{idx}_att_mean_dist"]
    x = [idx] * num_heads
    y = mean_distance[0, :]
    plt.scatter(x=x, y=y, label=f"transformer_block_{idx}")

plt.legend(loc="lower right")
plt.xlabel("Attention Head", fontsize=14)
plt.ylabel("Attention Distance", fontsize=14)
plt.title("vit_base_i21k_patch16_224", fontsize=14)
plt.grid()
plt.show()
Num Heads: 12.

png

检查图表

自注意力如何在输入空间中跨越?它们是局部还是全局地关注输入区域?

自注意力的承诺是能够学习上下文依赖关系,以便模型能够关注相对于目标最重要的输入区域。从上面的图表中我们可以注意到,不同的注意力头产生不同的注意力距离,这表明它们使用图像中的局部和全局信息。但是,随着我们深入 Transformer 块,注意力头倾向于更多地关注全局聚合信息。

Raghu 等人 的启发,我们计算了从 ImageNet-1k 验证集中随机抽取的 1000 张图像的平均注意力距离,并对开头提到的所有模型重复了此过程。有趣的是,我们注意到以下几点

  • 使用更大的数据集进行预训练有助于获得更全局的注意力跨度
在 ImageNet-21k 上预训练
在 ImageNet-1k 上微调
在 ImageNet-1k 上预训练
  • 当从 CNN 蒸馏时,ViT 往往具有较小的全局注意力跨度
无蒸馏(来自 DeiT 的 ViT B-16) 来自 DeiT 的蒸馏 ViT B-16

要重现这些图表,请参阅 此笔记本


方法二:注意力展开

Abnar 等人 引入了“注意力展开”来量化信息如何通过 Transformer 块的自注意力层流动。原始 ViT 作者使用此方法来调查学习到的表示,指出

简而言之,我们将 ViTL/16 的所有头的注意力权重取平均值,然后递归地乘以所有层的权重矩阵。这解释了所有层中 token 之间注意力的混合。

我们使用了 此笔记本 并修改了其中的注意力展开代码以使其与我们的模型兼容。

def attention_rollout_map(image, attention_score_dict, model_type):
    num_cls_tokens = 2 if "distilled" in model_type else 1

    # Stack the individual attention matrices from individual Transformer blocks.
    attn_mat = ops.stack([attention_score_dict[k] for k in attention_score_dict.keys()])
    attn_mat = ops.squeeze(attn_mat, axis=1)

    # Average the attention weights across all heads.
    attn_mat = ops.mean(attn_mat, axis=1)

    # To account for residual connections, we add an identity matrix to the
    # attention matrix and re-normalize the weights.
    residual_attn = ops.eye(attn_mat.shape[1])
    aug_attn_mat = attn_mat + residual_attn
    aug_attn_mat = aug_attn_mat / ops.sum(aug_attn_mat, axis=-1)[..., None]
    aug_attn_mat = ops.convert_to_numpy(aug_attn_mat)

    # Recursively multiply the weight matrices.
    joint_attentions = np.zeros(aug_attn_mat.shape)
    joint_attentions[0] = aug_attn_mat[0]

    for n in range(1, aug_attn_mat.shape[0]):
        joint_attentions[n] = np.matmul(aug_attn_mat[n], joint_attentions[n - 1])

    # Attention from the output token to the input space.
    v = joint_attentions[-1]
    grid_size = int(np.sqrt(aug_attn_mat.shape[-1]))
    mask = v[0, num_cls_tokens:].reshape(grid_size, grid_size)
    mask = cv2.resize(mask / mask.max(), image.size)[..., np.newaxis]
    result = (mask * image).astype("uint8")
    return result

现在让我们使用这些实用程序根据我们之前从“使用模型运行常规推理”部分获得的结果生成注意力图。以下是下载每个单独模型的链接

attn_rollout_result = attention_rollout_map(
    image, attention_score_dict, model_type="original_vit"
)

fig, (ax1, ax2) = plt.subplots(ncols=2, figsize=(8, 10))
fig.suptitle(f"Predicted label: {predicted_label}.", fontsize=20)

_ = ax1.imshow(image)
_ = ax2.imshow(attn_rollout_result)
ax1.set_title("Input Image", fontsize=16)
ax2.set_title("Attention Map", fontsize=16)
ax1.axis("off")
ax2.axis("off")

fig.tight_layout()
fig.subplots_adjust(top=1.35)
fig.show()

png

检查图表

我们如何量化通过注意力层传播的信息流?

我们注意到模型能够将注意力集中在输入图像的显著部分。我们鼓励您将此方法应用于我们提到的其他模型并比较结果。注意力展开图将根据模型训练的任务和增强而有所不同。我们观察到 DeiT 具有最佳的展开图,这可能是由于其增强方案。


方法三:注意力热图

探查视觉 Transformer 表示的一种简单而有用的方法是将注意力图可视化叠加在输入图像上。这有助于形成对模型关注内容的直觉。我们为此目的使用 DINO 模型,因为它会产生更好的注意力热图。

# Load the model.
vit_dino_base16 = load_model(MODELS_ZIP["vit_dino_base16"])
print("Model loaded.")

# Preprocess the same image but with normlization.
img_url = "https://dl.fbaipublicfiles.com/dino/img.png"
image, preprocessed_image = load_image_from_url(img_url, model_type="dino")

# Grab the predictions.
predictions, attention_score_dict = split_prediction_and_attention_scores(
    vit_dino_base16.predict(preprocessed_image)
)
Model loaded.
 1/1 ━━━━━━━━━━━━━━━━━━━━ 4s 4s/step

Transformer 块包含多个头。Transformer 块中的每个头都将输入数据投影到不同的子空间。这有助于每个单独的头关注图像的不同部分。因此,单独可视化每个注意力头图是有意义的,以了解每个头在关注什么。

注释:

  • 以下代码已从 原始 DINO 代码库 中复制修改。
  • 在这里,我们获取最后一个 Transformer 块的注意力图。
  • DINO 使用自监督目标进行预训练。
def attention_heatmap(attention_score_dict, image, model_type="dino"):
    num_tokens = 2 if "distilled" in model_type else 1

    # Sort the Transformer blocks in order of their depth.
    attention_score_list = list(attention_score_dict.keys())
    attention_score_list.sort(key=lambda x: int(x.split("_")[-2]), reverse=True)

    # Process the attention maps for overlay.
    w_featmap = image.shape[2] // PATCH_SIZE
    h_featmap = image.shape[1] // PATCH_SIZE
    attention_scores = attention_score_dict[attention_score_list[0]]

    # Taking the representations from CLS token.
    attentions = attention_scores[0, :, 0, num_tokens:].reshape(num_heads, -1)

    # Reshape the attention scores to resemble mini patches.
    attentions = attentions.reshape(num_heads, w_featmap, h_featmap)
    attentions = attentions.transpose((1, 2, 0))

    # Resize the attention patches to 224x224 (224: 14x16).
    attentions = ops.image.resize(
        attentions, size=(h_featmap * PATCH_SIZE, w_featmap * PATCH_SIZE)
    )
    return attentions

我们可以使用与 DINO 进行推理时使用的相同图像以及从结果中提取的 attention_score_dict

# De-normalize the image for visual clarity.
in1k_mean = np.array([0.485 * 255, 0.456 * 255, 0.406 * 255])
in1k_std = np.array([0.229 * 255, 0.224 * 255, 0.225 * 255])
preprocessed_img_orig = (preprocessed_image * in1k_std) + in1k_mean
preprocessed_img_orig = preprocessed_img_orig / 255.0
preprocessed_img_orig = ops.convert_to_numpy(ops.clip(preprocessed_img_orig, 0.0, 1.0))

# Generate the attention heatmaps.
attentions = attention_heatmap(attention_score_dict, preprocessed_img_orig)

# Plot the maps.
fig, axes = plt.subplots(nrows=3, ncols=4, figsize=(13, 13))
img_count = 0

for i in range(3):
    for j in range(4):
        if img_count < len(attentions):
            axes[i, j].imshow(preprocessed_img_orig[0])
            axes[i, j].imshow(attentions[..., img_count], cmap="inferno", alpha=0.6)
            axes[i, j].title.set_text(f"Attention head: {img_count}")
            axes[i, j].axis("off")
            img_count += 1

png

检查图表

我们如何定性地评估注意力权重?

Transformer 块的注意力权重是在键和查询之间计算的。权重量化了键对查询的重要性。在 ViT 中,键和查询来自同一图像,因此权重决定了图像的哪一部分很重要。

将注意力权重叠加在图像上绘制图表,使我们能够直观地了解对 Transformer 重要的图像部分。此图定性地评估了注意力权重的用途。


方法四:可视化学习到的投影滤波器

在提取不重叠的 patch 后,ViT 会在其空间维度上展平这些 patch,然后线性地投影它们。人们可能会好奇,这些投影看起来像什么?下面,我们采用 ViT B-16 模型并将其学习到的投影可视化。

def extract_weights(model, name):
    for variable in model.weights:
        if variable.name.startswith(name):
            return variable.numpy()


# Extract the projections.
projections = extract_weights(vit_base_i21k_patch16_224, "conv_projection/kernel")
projection_dim = projections.shape[-1]
patch_h, patch_w, patch_channels = projections.shape[:-1]

# Scale the projections.
scaled_projections = MinMaxScaler().fit_transform(
    projections.reshape(-1, projection_dim)
)

# Reshape the scaled projections so that the leading
# three dimensions resemble an image.
scaled_projections = scaled_projections.reshape(patch_h, patch_w, patch_channels, -1)

# Visualize the first 128 filters of the learned
# projections.
fig, axes = plt.subplots(nrows=8, ncols=16, figsize=(13, 8))
img_count = 0
limit = 128

for i in range(8):
    for j in range(16):
        if img_count < limit:
            axes[i, j].imshow(scaled_projections[..., img_count])
            axes[i, j].axis("off")
            img_count += 1

fig.tight_layout()
WARNING:matplotlib.image:Clipping input data to the valid range for imshow with RGB data ([0..1] for floats or [0..255] for integers).
WARNING:matplotlib.image:Clipping input data to the valid range for imshow with RGB data ([0..1] for floats or [0..255] for integers).
WARNING:matplotlib.image:Clipping input data to the valid range for imshow with RGB data ([0..1] for floats or [0..255] for integers).
WARNING:matplotlib.image:Clipping input data to the valid range for imshow with RGB data ([0..1] for floats or [0..255] for integers).
WARNING:matplotlib.image:Clipping input data to the valid range for imshow with RGB data ([0..1] for floats or [0..255] for integers).
WARNING:matplotlib.image:Clipping input data to the valid range for imshow with RGB data ([0..1] for floats or [0..255] for integers).

png

检查图表

投影滤波器学习什么?

当可视化时,卷积神经网络的内核显示了它们在图像中查找的模式。这可能是圆圈,有时是线条——当组合在一起(在 ConvNet 的后期阶段)时,滤波器会转换为更复杂的形状。我们发现这种 ConvNet 内核与 ViT 的投影滤波器之间存在明显的相似性。


方法五:可视化位置嵌入

Transformer 是置换不变的。这意味着它们不考虑输入 token 的空间位置。为了克服此限制,我们将位置信息添加到输入 token 中。

位置信息可以是学习到的位置嵌入或手工制作的常数嵌入的形式。在我们的案例中,所有三种变体的 ViT 都具有学习到的位置嵌入。

在本节中,我们可视化学习到的位置嵌入与其自身之间的相似性。下面,我们采用 ViT B-16 模型并通过获取其点积来可视化位置嵌入的相似性。

position_embeddings = extract_weights(vit_base_i21k_patch16_224, "pos_embedding")

# Discard the batch dimension and the position embeddings of the
# cls token.
position_embeddings = position_embeddings.squeeze()[1:, ...]

similarity = position_embeddings @ position_embeddings.T
plt.imshow(similarity, cmap="inferno")
plt.show()

png

检查图表

位置嵌入告诉我们什么?

该图具有独特的对角线图案。主对角线最亮,表示一个位置与其自身最相似。一个有趣的模式是重复的对角线。重复的图案描绘了一个正弦函数,其本质与 Vaswani 等人 提出的人工特征非常接近。


注释

  • DINO 将注意力热图生成过程扩展到视频。我们还 应用 了我们对一系列视频的 DINO 实现,并获得了类似的结果。这是一个注意力热图视频

    dino

  • Raghu 等人 使用一系列技术来调查 ViT 学习到的表示,并与 ResNet 进行比较。我们强烈建议阅读他们的作品。
  • 为了创作此示例,我们开发了 此存储库 来指导我们的读者,以便他们可以轻松地重现实验并扩展它们。
  • 另一个您可能对此感兴趣的存储库是 vit-explain
  • 还可以使用我们的 Hugging Face 空间使用自定义图像绘制注意力展开和注意力热图。
注意力热图 注意力展开
Generic badge Generic badge

致谢