【王树森】Vision Transformer (ViT) 用于图片分类（个人向笔记）

图片分类任务

• 给定一张图片，现在要求神经网络能够输出它对这个图片的分类结果。下图表示神经网络有40%的信心认定这个图片是狗
  
• ResNet（CNN）曾经是是图像分类的最好模型
• 在有足够大数据做预训练的情况下，ViT要强于ResNet
• ViT 就是Transformer Encoder网络

Split Image into Patches

• 在划分图片的时候，需要指定两个超参数
  • patch size： 一个patch的大小，如 $16\times 16$
  • stride： 如果划分的时候没有重叠，那么stride就等于大小 $16\times 16$
    

Vectorization

• 把每一个patch（张量），拉伸成一个向量，即直接展平：加入patch是一个 $d_1\times d_2\times d_3$ 的张量，那么向量就是 $d_1{d}_2{d}_3\times 1$ 的
  
• 对每个向量做线性变换，将其降维，变换矩阵的参数都是共享的：
  
• 由于图片的相对位置是有意义的，所以我们还要加上位置信息，即要对位置进行编码。在下面的两张图中，显然左右两张图是不一样的。但是如果不加位置编码，则它们对于 Transformer 来说就是一样的
  
• 我们需要把位置编码加到刚刚变换后的向量里面，现在每个 $z$ 即是 patch 内容的表征，又是相对位置关系的表征。论文中表明如果不用位置编码，会掉 3 个百分点的准确率。而用何种位置编码的结果都差不多
• 我们还会用到一个 CLS，这和上节课的 BERT 是类似的。把 CLS 也做一个 Embedding 和其他向量一起加入多头自注意力的计算。可以堆叠多个多头自注意力层和全连接层
  
• 我们把这些多头自注意力层和全连接层简化为一个 Encoder 网络，输出从 $c_0$ 到 $c_n$ 一共 $n+1$ 个向量，其中向量 $c_1$ 到 $c_n$ 没有用，可以直接忽略掉。有用的是向量 $c_0$，可以把它看作是从图片中提取的特征向量，用作分类任务：
  
• 把 $c_0$ 输入 Softmax 分类器，p 的维度取决于有多少个种类：
  
• 已经搭建好了神经网络，那么我们训练的第一步就是随机初始化神经网络参数，然后在数据集 A 上做一个预训练，其中 A 一定要大
  
• 在得到预训练的参数后，我们再用一个比较小的数据集 B 进行训练，这个步骤被称为微调，其中数据集 B 是任务的数据集
  
• 最后在测试集上进行测试，评价模型的表现
  

Image Classification Accuracies

• 当预训练的数据集不够大的时候，其实 Transformer 的表现并不是很好，弱于 ResNet
• 当预训练集的大小为中等时，Transformer 的效果与 ResNet 相当
• 当预训练集的大小为大时，Transformer 准确率会比 ResNet 高 1%
• 如果预训练数据集更大，那么 Transformer 的准确率还会提升