代码示例 / 计算机视觉 / 在视觉 Transformer 中学习令牌化

在视觉 Transformer 中学习令牌化

作者: Aritra Roy GosthipatySayak Paul(平等贡献),由 Muhammad Anas Raza 转换为 Keras 3
创建日期 2021/12/10
最后修改日期 2023/08/14
描述:自适应地为视觉 Transformer 生成更少的令牌。

ⓘ 此示例使用 Keras 3

在 Colab 中查看 GitHub 源代码


介绍

视觉 Transformer (Dosovitskiy 等人) 和许多其他基于 Transformer 的架构 (Liu 等人Yuan 等人,等等) 在图像识别方面取得了显著成果。以下简要概述了视觉 Transformer 架构中用于图像分类的组件。

  • 从输入图像中提取小块。
  • 线性地投影这些块。
  • 将位置嵌入添加到这些线性投影中。
  • 将这些投影通过一系列 Transformer (Vaswani 等人) 块。
  • 最后,获取来自最终 Transformer 块的表示,并添加一个分类头。

如果我们使用 224x224 的图像并提取 16x16 的块,那么每张图像将得到 196 个块(也称为令牌)。随着我们增加分辨率,块的数量也会增加,导致更高的内存占用。我们是否可以在不影响性能的情况下使用更少的块?Ryoo 等人在 TokenLearner:用于视频的自适应时空令牌化 中探讨了这个问题。他们引入了一种名为 **TokenLearner** 的新模块,可以帮助以自适应方式减少视觉 Transformer (ViT) 使用的块数。通过将 TokenLearner 集成到标准 ViT 架构中,他们能够减少模型使用的计算量(以 FLOPS 衡量)。

在此示例中,我们实现了 TokenLearner 模块,并使用 mini ViT 和 CIFAR-10 数据集展示了它的性能。我们参考了以下资源:


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。了解架构的最佳方法是进行实验。

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

# OPTIMIZER
LEARNING_RATE = 1e-3
WEIGHT_DECAY = 1e-4

# TRAINING
EPOCHS = 1

# AUGMENTATION
IMAGE_SIZE = 48  # We will resize input images to this size.
PATCH_SIZE = 6  # Size of the patches to be extracted from the input images.
NUM_PATCHES = (IMAGE_SIZE // PATCH_SIZE) ** 2

# ViT ARCHITECTURE
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

加载并准备 CIFAR-10 数据集

# Load the CIFAR-10 dataset.
(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"Training samples: {len(x_train)}")
print(f"Validation samples: {len(x_val)}")
print(f"Testing samples: {len(x_test)}")

# Convert to tf.data.Dataset objects.
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)
Training samples: 40000
Validation samples: 10000
Testing samples: 10000

数据增强

增强流水线包含:

  • 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",
)

请注意,图像数据增强层在推理时不会应用数据转换。这意味着当这些层被调用时,`training=False` 会表现不同。请参考 文档 获取更多详细信息。


位置嵌入模块

一个 Transformer 架构包含 **多头自注意力** 层和 **全连接前馈** 网络 (MLP) 作为主要组件。这两个组件都是 *置换不变的*:它们不知道特征顺序。

为了克服这个问题,我们将包含位置信息的令牌注入。position_embedding 函数将此位置信息添加到线性投影的令牌中。

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):
    # Iterate over the hidden units and
    # add 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

下图展示了该模块的图示概述 (来源).

TokenLearner module GIF

TokenLearner 模块以图像形状的张量作为输入。然后,它将该张量传递到多个单通道卷积层,提取不同的空间注意力图,重点关注输入的不同部分。然后,这些注意力图与输入进行逐元素相乘,并将结果与池化操作进行聚合。这种池化后的输出可以被视为输入的摘要,并且具有比原始输入少得多的补丁(例如 8 个),而原始输入则有 196 个补丁。

使用多个卷积层有助于提高表达能力。施加某种形式的空间注意力有助于保留来自输入的相关信息。这两个组件对于 TokenLearner 的正常工作至关重要,尤其是在我们大幅减少补丁数量时。

def token_learner(inputs, number_of_tokens=NUM_TOKENS):
    # Layer normalize the inputs.
    x = layers.LayerNormalization(epsilon=LAYER_NORM_EPS)(inputs)  # (B, H, W, C)

    # Applying Conv2D => Reshape => Permute
    # The reshape and permute is done to help with the next steps of
    # multiplication and Global Average Pooling.
    attention_maps = keras.Sequential(
        [
            # 3 layers of conv with gelu activation as suggested
            # in the paper.
            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,
            ),
            # This conv layer will generate the attention maps
            layers.Conv2D(
                filters=number_of_tokens,
                kernel_size=(3, 3),
                activation="sigmoid",  # Note sigmoid for [0, 1] output
                padding="same",
                use_bias=False,
            ),
            # Reshape and Permute
            layers.Reshape((-1, number_of_tokens)),  # (B, H*W, num_of_tokens)
            layers.Permute((2, 1)),
        ]
    )(
        x
    )  # (B, num_of_tokens, H*W)

    # Reshape the input to align it with the output of the conv block.
    num_filters = inputs.shape[-1]
    inputs = layers.Reshape((1, -1, num_filters))(inputs)  # inputs == (B, 1, H*W, C)

    # Element-Wise multiplication of the attention maps and the inputs
    attended_inputs = (
        ops.expand_dims(attention_maps, axis=-1) * inputs
    )  # (B, num_tokens, H*W, C)

    # Global average pooling the element wise multiplication result.
    outputs = ops.mean(attended_inputs, axis=2)  # (B, num_tokens, C)
    return outputs

Transformer 块

def transformer(encoded_patches):
    # Layer normalization 1.
    x1 = layers.LayerNormalization(epsilon=LAYER_NORM_EPS)(encoded_patches)

    # Multi Head Self Attention layer 1.
    attention_output = layers.MultiHeadAttention(
        num_heads=NUM_HEADS, key_dim=PROJECTION_DIM, dropout=0.1
    )(x1, x1)

    # Skip connection 1.
    x2 = layers.Add()([attention_output, encoded_patches])

    # Layer normalization 2.
    x3 = layers.LayerNormalization(epsilon=LAYER_NORM_EPS)(x2)

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

    # Skip connection 2.
    encoded_patches = layers.Add()([x4, x2])
    return encoded_patches

带有 TokenLearner 模块的 ViT 模型

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

    # Augment data.
    augmented = data_augmentation(inputs)

    # Create patches and project the pathces.
    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)

    # Add positional embeddings to the projected patches.
    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)

    # Iterate over the number of layers and stack up blocks of
    # Transformer.
    for i in range(NUM_LAYERS):
        # Add a Transformer block.
        encoded_patches = transformer(encoded_patches)

        # Add TokenLearner layer in the middle of the
        # architecture. The paper suggests that anywhere
        # between 1/2 or 3/4 will work well.
        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)

    # Layer normalization and Global average pooling.
    representation = layers.LayerNormalization(epsilon=LAYER_NORM_EPS)(encoded_patches)
    representation = layers.GlobalAvgPool1D()(representation)

    # Classify outputs.
    outputs = layers.Dense(NUM_CLASSES, activation="softmax")(representation)

    # Create the Keras model.
    model = keras.Model(inputs=inputs, outputs=outputs)
    return model

TokenLearner 论文 所示,几乎总是建议将 TokenLearner 模块包含在网络的中间部分。


训练工具

def run_experiment(model):
    # Initialize the AdamW optimizer.
    optimizer = keras.optimizers.AdamW(
        learning_rate=LEARNING_RATE, weight_decay=WEIGHT_DECAY
    )

    # Compile the model with the optimizer, loss function
    # and the metrics.
    model.compile(
        optimizer=optimizer,
        loss="sparse_categorical_crossentropy",
        metrics=[
            keras.metrics.SparseCategoricalAccuracy(name="accuracy"),
            keras.metrics.SparseTopKCategoricalAccuracy(5, name="top-5-accuracy"),
        ],
    )

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

    # Train the model.
    _ = 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"Test accuracy: {round(accuracy * 100, 2)}%")
    print(f"Test top 5 accuracy: {round(top_5_accuracy * 100, 2)}%")

训练和评估带有 TokenLearner 的 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
Test accuracy: 22.9%
Test top 5 accuracy: 77.22%

结果

我们对我们实现的 mini ViT 中是否使用 TokenLearner 进行了实验(使用本例中提供的相同超参数)。以下是我们的结果。

TokenLearner 输入的令牌数量
TokenLearner
Top-1 准确率
(5 次运行的平均值)
GFLOPs TensorBoard
N - 56.112% 0.0184 链接
Y 8 56.55% 0.0153 链接
N - 56.37% 0.0184 链接
Y 4 56.4980% 0.0147 链接
N -(Transformer 层数:8) 55.36% 0.0359 链接

TokenLearner 能够始终优于没有该模块的 mini ViT。有趣的是,它还能够优于我们 mini ViT 的更深版本(具有 8 层)。作者还在论文中报道了类似的观察结果,他们将此归因于 TokenLearner 的自适应性。

还应注意,添加 TokenLearner 模块会显著减少 FLOPs 数量。TokenLearner 模块能够以更低的 FLOPs 数量提供更好的结果。这与作者的发现非常一致。

此外,作者 介绍 了一个针对较小训练数据体系的新版本的 TokenLearner。引用作者的话:

此版本不使用 4 个具有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。我们证实,在训练数据有限的情况下,例如从头开始使用 ImageNet1K 进行训练,此版本效果更好。

我们对该模块进行了实验,并在下表中总结了结果。

组数 令牌数 Top-1 准确率 GFLOPs TensorBoard
4 4 54.638% 0.0149 链接
8 8 54.898% 0.0146 链接
4 8 55.196% 0.0149 链接

请注意,我们使用了本例中提供的相同超参数。我们的实现可以在 此笔记本 中找到。我们承认,这个新的 TokenLearner 模块的结果与预期略有偏差,这可能会通过超参数调整来缓解。

注意:为了计算我们模型的 FLOPs,我们使用了 此实用程序,来自 此存储库


参数数量

您可能已经注意到,添加 TokenLearner 模块会增加基本网络的参数数量。但这并不意味着它效率低下,正如 Dehghani 等人 所示。Bello 等人 也报道了类似的发现。TokenLearner 模块有助于减少整个网络的 FLOPs,从而有助于减少内存占用。


最后说明

  • 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 输出的表示重新映射回其原始空间分辨率。为了在 ViT 架构中重复使用 TokenLearner,TokenFuser 是必需的。我们首先从 TokenLearner 中学习令牌,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,以便它可以再次被 TokenLearner 使用。请注意,您只能在整个 ViT 模型中使用一次 TokenLearner 模块,除非它与 TokenFuser 配合使用。
  • 这些模块在视频中的使用:作者还建议 TokenFuser 非常适合视频中的视觉 Transformer(Arnab 等人)。

我们感谢 JarvisLabsGoogle 开发者专家 计划提供 GPU 积分。此外,我们感谢 Michael Ryoo(TokenLearner 的第一作者)的富有成效的讨论。