Vision Transformer, ViT

transformer在NLP领域成为事实标准，但是在图像领域知识作为组件或CNN的附庸，必须一统江湖。

图像 -》序列 -》transformer encoder -》MLP -》classification

和典型NLP任务相比，基本沿用了transformer encoder + classification的结构，区别在于输入，ViT将图像转换为了序列。

标准Bert的输入是长度为L，维度为D的vector [L, D]，图像转序列即将[H, W, C]的输入图像转为[L, D]

（1）图像分块patch split：输入原图size为HWC，patch的size为P*P，patch个数N=HW/(P*P)，将patch reshape为一维vector，size为P*P*C，得到patch序列[N, P*P*C]

（2）图像块嵌入patch embedding：乘以embedding mat [P*P*C, D]完成线性变换，得到新的feature序列[N, D]

（3）追加CLS token：和Bert类似，在序列前加上CLS分类专属token.

（4）添加position embedding：和Bert类似，为添加序列的顺序信息，添加可学习的position embedding信息。

（5）将上述序列送入transformer encoder + MLP + classification head

（1）embedding filter：embedding filter的最终学习结果类似于基函数，对patch内纹理进行低阶特征表征，想到了小波基。

（2）position embedding：position embedding表现出显著的相对位置表达，临近、行、列等。

（3）attention distance：随着层的增加，attention的距离越来越远，即高层可获取更多全局信息，原理和CNN类似。

attention的可视化结果也可以看出attention对象和类别对象很好地关联了起来。

优势：

1、原汁原味的transformer全局self-attention，简洁易懂。

2、在大数据集上效果很好。

劣势：

1、图片大小变化后patch的长度会发生变化(不像bert在末尾增减，而是中间插入)，预训练的position embedding对不上，通过插值不可避免导致精度下降。

2、模型复杂度高，需要大量训练数据，在小训练集上表现不好，建议是大数据预训练+小数据微调。