## 说明 <div class="tip inlineBlock share"> 转载自: https://zhuanlan.zhihu.com/p/367111046 相对位置编码讲解不错: https://datawhalechina.github.io/thorough-pytorch/%E7%AC%AC%E5%8D%81%E7%AB%A0/Swin-Transformer%E8%A7%A3%E8%AF%BB.html </div> 开源代码链接: https://github.com/microsoft/Swin-Transformer 论文链接: https://arxiv.org/abs/2103.14030 视频讲解推荐: * https://www.bilibili.com/video/BV1zT4y197Fe * https://www.bilibili.com/video/BV13L4y1475U --- ## 引言 目前Transformer应用到图像领域主要有两大挑战： * 视觉实体变化大，在不同场景下视觉Transformer性能未必很好 * 图像分辨率高，像素点多，Transformer基于全局自注意力的计算导致计算量较大 针对上述两个问题，我们提出了一种**包含滑窗操作，具有层级设计**的Swin Transformer。 其中滑窗操作包括**不重叠的local window，和重叠的cross-window**。将注意力计算限制在一个窗口中，**一方面能引入CNN卷积操作的局部性，另一方面能节省计算量**。  在各大图像任务上，Swin Transformer都具有很好的性能。 本文比较长，会根据官方的[开源代码](https://github.com/microsoft/Swin-Transformer)进行讲解，有兴趣的可以去阅读下[论文原文](https://arxiv.org/abs/2103.14030)。 --- ## 整体架构 我们先看下Swin Transformer的整体架构  图3：(a) Swin Transformer (Swin-T)的架构；(b) 两个连续的Swin Transformer Blocks（使用公式（3）中的符号表示）。W-MSA和SW-MSA分别是具有常规和移位窗口配置的多头自注意力模块。 整个模型采取层次化的设计，一共包含4个Stage，每个stage都会缩小输入特征图的分辨率，像CNN一样逐层扩大感受野。 * 在输入开始的时候，做了一个`Patch Embedding`，将图片切成一个个图块，并嵌入到`Embedding`。 * 在每个Stage里，由`Patch Merging`和多个Block组成。 * 其中`Patch Merging`模块主要在每个Stage一开始降低图片分辨率。 * 而Block具体结构如右图所示，主要是`LayerNorm`，`MLP`，`Window Attention` 和 `Shifted Window Attention`组成 (为了方便讲解，我会省略掉一些参数) ```python class SwinTransformer(nn.Module): def __init__(...): super().__init__() ... # absolute position embedding if self.ape: self.absolute_pos_embed = nn.Parameter(torch.zeros(1, num_patches, embed_dim)) self.pos_drop = nn.Dropout(p=drop_rate) # build layers self.layers = nn.ModuleList() for i_layer in range(self.num_layers): layer = BasicLayer(...) self.layers.append(layer) self.norm = norm_layer(self.num_features) self.avgpool = nn.AdaptiveAvgPool1d(1) self.head = nn.Linear(self.num_features, num_classes) if num_classes > 0 else nn.Identity() def forward_features(self, x): x = self.patch_embed(x) if self.ape: x = x + self.absolute_pos_embed x = self.pos_drop(x) for layer in self.layers: x = layer(x) x = self.norm(x) # B L C x = self.avgpool(x.transpose(1, 2)) # B C 1 x = torch.flatten(x, 1) return x def forward(self, x): x = self.forward_features(x) x = self.head(x) return x ``` 其中有几个地方处理方法与ViT不同： * ViT在输入会给embedding进行位置编码。而Swin-T这里则是作为一个**可选项**（`self.ape`），Swin-T是在计算Attention的时候做了一个`相对位置编码` * ViT会单独加上一个可学习参数，作为分类的token。而Swin-T则是**直接做平均**，输出分类，有点类似CNN最后的全局平均池化层 接下来我们看下各个组件的构成 --- ## Patch Embedding 在输入进Block前，我们需要将图片切成一个个patch，然后嵌入向量。 具体做法是对原始图片裁成一个个 `patch_size * patch_size`的窗口大小，然后进行嵌入。 这里可以通过二维卷积层，**将stride，kernelsize设置为patch\_size大小**。设定输出通道来确定嵌入向量的大小。最后将H,W维度展开，并移动到第一维度 ```python import torch import torch.nn as nn class PatchEmbed(nn.Module): def __init__(self, img_size=224, patch_size=4, in_chans=3, embed_dim=96, norm_layer=None): super().__init__() img_size = to_2tuple(img_size) # -> (img_size, img_size) patch_size = to_2tuple(patch_size) # -> (patch_size, patch_size) patches_resolution = [img_size[0] // patch_size[0], img_size[1] // patch_size[1]] self.img_size = img_size self.patch_size = patch_size self.patches_resolution = patches_resolution self.num_patches = patches_resolution[0] * patches_resolution[1] self.in_chans = in_chans self.embed_dim = embed_dim self.proj = nn.Conv2d(in_chans, embed_dim, kernel_size=patch_size, stride=patch_size) if norm_layer is not None: self.norm = norm_layer(embed_dim) else: self.norm = None def forward(self, x): # 假设采取默认参数 x = self.proj(x) # 出来的是(N, 96, 224/4, 224/4) x = torch.flatten(x, 2) # 把HW维展开，(N, 96, 56*56) x = torch.transpose(x, 1, 2) # 把通道维放到最后 (N, 56*56, 96) if self.norm is not None: x = self.norm(x) return x ``` --- ## Patch Merging 该模块的作用是在每个Stage开始前做降采样，用于缩小分辨率，调整通道数 进而形成层次化的设计，同时也能节省一定运算量。 > 在CNN中，则是在每个Stage开始前用`stride=2`的卷积/池化层来降低分辨率。 每次降采样是两倍，因此**在行方向和列方向上，间隔2选取元素**。 然后拼接在一起作为一整个张量，最后展开。**此时通道维度会变成原先的4倍**（因为H,W各缩小2倍），此时再通过一个**全连接层再调整通道维度为原来的两倍** ```python class PatchMerging(nn.Module): def __init__(self, input_resolution, dim, norm_layer=nn.LayerNorm): super().__init__() self.input_resolution = input_resolution self.dim = dim self.reduction = nn.Linear(4 * dim, 2 * dim, bias=False) self.norm = norm_layer(4 * dim) def forward(self, x): """ x: B, H*W, C """ H, W = self.input_resolution B, L, C = x.shape assert L == H * W, "input feature has wrong size" assert H % 2 == 0 and W % 2 == 0, f"x size ({H}*{W}) are not even." x = x.view(B, H, W, C) x0 = x[:, 0::2, 0::2, :] # B H/2 W/2 C x1 = x[:, 1::2, 0::2, :] # B H/2 W/2 C x2 = x[:, 0::2, 1::2, :] # B H/2 W/2 C x3 = x[:, 1::2, 1::2, :] # B H/2 W/2 C x = torch.cat([x0, x1, x2, x3], -1) # B H/2 W/2 4*C x = x.view(B, -1, 4 * C) # B H/2*W/2 4*C x = self.norm(x) x = self.reduction(x) return x ``` 下面是一个示意图（输入张量N=1, H=W=4, C=1，不包含最后的全连接层调整）  > 个人感觉这像是PixelShuffle的反操作 补充: 原文中的示例应该对应如下（输入张量N=1, H=W=8, C=1，不包含最后的全连接层调整） * 图片引用自: [链接](https://datawhalechina.github.io/thorough-pytorch/%E7%AC%AC%E5%8D%81%E7%AB%A0/Swin-Transformer%E8%A7%A3%E8%AF%BB.html)   --- ## Window Partition/Reverse `window partition`函数是用于对张量划分窗口，指定窗口大小。将原本的张量从 `N H W C`, 划分成 `num_windows*B, window_size, window_size, C`，其中 **num\_windows = H\*W / (window\_size\*window\_size)**，即窗口的个数。而`window reverse`函数则是对应的逆过程。这两个函数会在后面的`Window Attention`用到。 ```text def window_partition(x, window_size): B, H, W, C = x.shape x = x.view(B, H // window_size, window_size, W // window_size, window_size, C) windows = x.permute(0, 1, 3, 2, 4, 5).contiguous().view(-1, window_size, window_size, C) return windows def window_reverse(windows, window_size, H, W): B = int(windows.shape[0] / (H * W / window_size / window_size)) x = windows.view(B, H // window_size, W // window_size, window_size, window_size, -1) x = x.permute(0, 1, 3, 2, 4, 5).contiguous().view(B, H, W, -1) return x ``` --- ## Window Attention 这是这篇文章的关键。传统的Transformer都是**基于全局来计算注意力的**，因此计算复杂度十分高。而Swin Transformer则将**注意力的计算限制在每个窗口内**，进而减少了计算量。 我们先简单看下公式 $$ Attention(Q,K,V) = Softmax({\frac{QK^T}{\sqrt{d}}} + B)V $$ $$ $$ 主要区别是在原始计算Attention的公式中的Q,K时**加入了相对位置编码**。后续实验有证明相对位置编码的加入提升了模型性能。 ```text class WindowAttention(nn.Module): r""" Window based multi-head self attention (W-MSA) module with relative position bias. It supports both of shifted and non-shifted window. Args: dim (int): Number of input channels. window_size (tuple[int]): The height and width of the window. num_heads (int): Number of attention heads. qkv_bias (bool, optional): If True, add a learnable bias to query, key, value. Default: True qk_scale (float | None, optional): Override default qk scale of head_dim ** -0.5 if set attn_drop (float, optional): Dropout ratio of attention weight. Default: 0.0 proj_drop (float, optional): Dropout ratio of output. Default: 0.0 """ def __init__(self, dim, window_size, num_heads, qkv_bias=True, qk_scale=None, attn_drop=0., proj_drop=0.): super().__init__() self.dim = dim self.window_size = window_size # Wh, Ww self.num_heads = num_heads # nH head_dim = dim // num_heads # 每个注意力头对应的通道数 self.scale = qk_scale or head_dim ** -0.5 # define a parameter table of relative position bias self.relative_position_bias_table = nn.Parameter( torch.zeros((2 * window_size[0] - 1) * (2 * window_size[1] - 1), num_heads)) # 设置一个形状为（2*(Wh-1) * 2*(Ww-1), nH）的可学习变量，用于后续的位置编码 self.qkv = nn.Linear(dim, dim * 3, bias=qkv_bias) self.attn_drop = nn.Dropout(attn_drop) self.proj = nn.Linear(dim, dim) self.proj_drop = nn.Dropout(proj_drop) trunc_normal_(self.relative_position_bias_table, std=.02) self.softmax = nn.Softmax(dim=-1) # 相关位置编码... ``` 下面我把涉及到相关位置编码的逻辑给单独拿出来，这部分比较绕 首先QK计算出来的Attention张量形状为`(numWindows*B, num_heads, window_size*window_size, window_size*window_size)`。 而对于Attention张量来说，**以不同元素为原点，其他元素的坐标也是不同的**，以`window_size=2`为例，其相对位置编码如下图所示  首先我们利用`torch.arange`和`torch.meshgrid`函数生成对应的坐标，这里我们以`windowsize=2`为例子 ```text coords_h = torch.arange(self.window_size[0]) coords_w = torch.arange(self.window_size[1]) coords = torch.meshgrid([coords_h, coords_w]) # -> 2*(wh, ww) """ (tensor([[0, 0], [1, 1]]), tensor([[0, 1], [0, 1]])) """ ``` 然后堆叠起来，展开为一个二维向量 ```text coords = torch.stack(coords) # 2, Wh, Ww coords_flatten = torch.flatten(coords, 1) # 2, Wh*Ww """ tensor([[0, 0, 1, 1], [0, 1, 0, 1]]) """ ``` 利用广播机制，分别在第一维，第二维，插入一个维度，进行广播相减，得到 `2, wh*ww, wh*ww`的张量 ```text relative_coords_first = coords_flatten[:, :, None] # 2, wh*ww, 1 relative_coords_second = coords_flatten[:, None, :] # 2, 1, wh*ww relative_coords = relative_coords_first - relative_coords_second # 最终得到 2, wh*ww, wh*ww 形状的张量 ``` 因为采取的是相减，所以得到的索引是从负数开始的，**我们加上偏移量，让其从0开始**。 ```text relative_coords = relative_coords.permute(1, 2, 0).contiguous() # Wh*Ww, Wh*Ww, 2 relative_coords[:, :, 0] += self.window_size[0] - 1 relative_coords[:, :, 1] += self.window_size[1] - 1 ``` 后续我们需要将其展开成一维偏移量。而对于(1，2）和（2，1）这两个坐标。在二维上是不同的，**但是通过将x,y坐标相加转换为一维偏移的时候，他的偏移量是相等的**。  所以最后我们对其中做了个乘法操作，以进行区分 ```text relative_coords[:, :, 0] *= 2 * self.window_size[1] - 1 ```  然后再最后一维上进行求和，展开成一个一维坐标，并注册为一个不参与网络学习的变量 ```text relative_position_index = relative_coords.sum(-1) # Wh*Ww, Wh*Ww self.register_buffer("relative_position_index", relative_position_index) ``` 接着我们看前向代码 ```text def forward(self, x, mask=None): """ Args: x: input features with shape of (num_windows*B, N, C) mask: (0/-inf) mask with shape of (num_windows, Wh*Ww, Wh*Ww) or None """ B_, N, C = x.shape qkv = self.qkv(x).reshape(B_, N, 3, self.num_heads, C // self.num_heads).permute(2, 0, 3, 1, 4) q, k, v = qkv[0], qkv[1], qkv[2] # make torchscript happy (cannot use tensor as tuple) q = q * self.scale attn = (q @ k.transpose(-2, -1)) relative_position_bias = self.relative_position_bias_table[self.relative_position_index.view(-1)].view( self.window_size[0] * self.window_size[1], self.window_size[0] * self.window_size[1], -1) # Wh*Ww,Wh*Ww,nH relative_position_bias = relative_position_bias.permute(2, 0, 1).contiguous() # nH, Wh*Ww, Wh*Ww attn = attn + relative_position_bias.unsqueeze(0) # (1, num_heads, windowsize, windowsize) if mask is not None: # 下文会分析到 ... else: attn = self.softmax(attn) attn = self.attn_drop(attn) x = (attn @ v).transpose(1, 2).reshape(B_, N, C) x = self.proj(x) x = self.proj_drop(x) return x ``` * 首先输入张量形状为 `numWindows*B, window_size * window_size, C`（后续会解释） * 然后经过`self.qkv`这个全连接层后，进行reshape，调整轴的顺序，得到形状为`3, numWindows*B, num_heads, window_size*window_size, c//num_heads`，并分配给`q,k,v`。 * 根据公式，我们对`q`乘以一个`scale`缩放系数，然后与`k`（为了满足矩阵乘要求，需要将最后两个维度调换）进行相乘。得到形状为`(numWindows*B, num_heads, window_size*window_size, window_size*window_size)`的`attn`张量 * 之前我们针对位置编码设置了个形状为`(2*window_size-1*2*window_size-1, numHeads)`的可学习变量。我们用计算得到的相对编码位置索引`self.relative_position_index`选取，得到形状为`(window_size*window_size, window_size*window_size, numHeads)`的编码，加到`attn`张量上 * 暂不考虑mask的情况，剩下就是跟transformer一样的softmax，dropout，与`V`矩阵乘，再经过一层全连接层和dropout --- ## Shifted Window Attention 前面的Window Attention是在每个窗口下计算注意力的，为了更好的和其他window进行信息交互，Swin Transformer还引入了shifted window(移动窗口)操作。  图 2：在拟议的 Swin Transformer 架构中计算自我注意力的移位窗口方法示意图。在层 $l$中（左图）采用常规窗口分割方案，并在每个窗口内计算自注意力。在下一层 $l+1$(右图）中，窗口划分发生了变化，产生了新的窗口。新窗口中的自我注意力计算跨越了层 $l$中前一个窗口的边界，从而提供了它们之间的联系。层$l$中前一个窗口的边界，从而在这些窗口之间建立联系。 左边是没有重叠的Window Attention，而右边则是将窗口进行移位的Shift Window Attention。可以看到移位后的窗口包含了原本相邻窗口的元素。<span style='color:red'>但这也引入了一个新问题，即**window的个数翻倍了**，由原本4个窗口变成了9个窗口</span>。 在实际代码里，我们是**通过对特征图移位，并给Attention设置mask来间接实现的**。能在**保持原有的window个数下**，最后的计算结果等价。  图4：移位窗口分区的自注意力高效批处理计算方法示意图。 --- ## 特征图移位操作 代码里对特征图移位是通过`torch.roll`来实现的，下面是示意图  > 如果需要`reverse cyclic shift`的话只需把参数`shifts`设置为对应的正数值。 --- ## Attention Mask 我认为这是Swin Transformer的精华，通过设置合理的mask，让`Shifted Window Attention`在与`Window Attention`相同的窗口个数下，达到等价的计算结果。 首先我们对Shift Window后的每个窗口都给上index，并且做一个`roll`操作（window\_size=2, shift\_size=-1）  我们希望在计算Attention的时候，**让具有相同index QK进行计算，而忽略不同index QK计算结果**。 最后正确的结果如下图所示 (PS: 这个图的Query Key画反了。。。应该是4x1 和 1x4 做矩阵乘，读者们自行交换下位置，抱歉）  而要想在原始四个窗口下得到正确的结果，我们就必须给Attention的结果加入一个mask（如上图最右边所示） 相关代码如下： ```text if self.shift_size > 0: # calculate attention mask for SW-MSA H, W = self.input_resolution img_mask = torch.zeros((1, H, W, 1)) # 1 H W 1 h_slices = (slice(0, -self.window_size), slice(-self.window_size, -self.shift_size), slice(-self.shift_size, None)) w_slices = (slice(0, -self.window_size), slice(-self.window_size, -self.shift_size), slice(-self.shift_size, None)) cnt = 0 for h in h_slices: for w in w_slices: img_mask[:, h, w, :] = cnt cnt += 1 mask_windows = window_partition(img_mask, self.window_size) # nW, window_size, window_size, 1 mask_windows = mask_windows.view(-1, self.window_size * self.window_size) attn_mask = mask_windows.unsqueeze(1) - mask_windows.unsqueeze(2) attn_mask = attn_mask.masked_fill(attn_mask != 0, float(-100.0)).masked_fill(attn_mask == 0, float(0.0)) ``` 以上图的设置，我们用这段代码会得到这样的一个mask ```text tensor([[[[[ 0., 0., 0., 0.], [ 0., 0., 0., 0.], [ 0., 0., 0., 0.], [ 0., 0., 0., 0.]]], [[[ 0., -100., 0., -100.], [-100., 0., -100., 0.], [ 0., -100., 0., -100.], [-100., 0., -100., 0.]]], [[[ 0., 0., -100., -100.], [ 0., 0., -100., -100.], [-100., -100., 0., 0.], [-100., -100., 0., 0.]]], [[[ 0., -100., -100., -100.], [-100., 0., -100., -100.], [-100., -100., 0., -100.], [-100., -100., -100., 0.]]]]]) ``` 在之前的window attention模块的前向代码里，包含这么一段 ```text if mask is not None: nW = mask.shape[0] attn = attn.view(B_ // nW, nW, self.num_heads, N, N) + mask.unsqueeze(1).unsqueeze(0) attn = attn.view(-1, self.num_heads, N, N) attn = self.softmax(attn) ``` 将mask加到attention的计算结果，并进行softmax。mask的值设置为-100(比较大的负数都行, 比如-1000, -e9)，softmax后就会忽略掉对应的值 --- ## Transformer Block整体架构  两个连续的Block架构如上图所示，需要注意的是一个Stage包含的Block个数必须是偶数，因为需要交替包含一个含有`Window Attention`的Layer和含有`Shifted Window Attention`的Layer。 我们看下Block的前向代码 ```text def forward(self, x): H, W = self.input_resolution B, L, C = x.shape assert L == H * W, "input feature has wrong size" shortcut = x x = self.norm1(x) x = x.view(B, H, W, C) # cyclic shift if self.shift_size > 0: shifted_x = torch.roll(x, shifts=(-self.shift_size, -self.shift_size), dims=(1, 2)) else: shifted_x = x # partition windows x_windows = window_partition(shifted_x, self.window_size) # nW*B, window_size, window_size, C x_windows = x_windows.view(-1, self.window_size * self.window_size, C) # nW*B, window_size*window_size, C # W-MSA/SW-MSA attn_windows = self.attn(x_windows, mask=self.attn_mask) # nW*B, window_size*window_size, C # merge windows attn_windows = attn_windows.view(-1, self.window_size, self.window_size, C) shifted_x = window_reverse(attn_windows, self.window_size, H, W) # B H' W' C # reverse cyclic shift if self.shift_size > 0: x = torch.roll(shifted_x, shifts=(self.shift_size, self.shift_size), dims=(1, 2)) else: x = shifted_x x = x.view(B, H * W, C) # FFN x = shortcut + self.drop_path(x) x = x + self.drop_path(self.mlp(self.norm2(x))) return x ``` 整体流程如下 * 先对特征图进行LayerNorm * 通过`self.shift_size`决定是否需要对特征图进行shift * 然后将特征图切成一个个窗口 * 计算Attention，通过`self.attn_mask`来区分`Window Attention`还是`Shift Window Attention` * 将各个窗口合并回来 * 如果之前有做shift操作，此时进行`reverse shift`，把之前的shift操作恢复 * 做dropout和残差连接 * 再通过一层LayerNorm+全连接层，以及dropout和残差连接 --- ## 实验  在ImageNet22K数据集上，准确率能达到惊人的87.3%。另外在检测，分割等任务上表现也很优异，感兴趣的可以翻看论文最后的实验部分。 --- ## 总结 这篇文章创新点很棒，引入window这一个概念，将CNN的局部性引入，还能控制模型整体计算量。在Shift Window Attention部分，用一个mask和移位操作，很巧妙的实现计算等价。作者的代码也写得十分赏心悦目，推荐阅读！