作者：Pranoy Radhakrishnan

翻譯：wwl

校對：王可汗

在認(rèn)識Transformers之前，思考一下，為什么已經(jīng)有了MLP、CNN、RNN，研究者還會對Transformers產(chǎn)生研究的興趣。

Transformers起初是用于語言翻譯。相比于循環(huán)神經(jīng)網(wǎng)絡(luò)（比如LSTM），Transformers支持模擬輸入序列元素中的長依賴，并且支持并行處理序列。

Transformers利用同一個處理模塊，可以支持處理不同類型的輸入（包括圖像、視頻、文本、語音）。每個人都希望解決不同的問題都能有統(tǒng)一的模型，并且兼顧準(zhǔn)確性和速度。和MLPs有通用的函數(shù)近似器一樣，transfomers模型在sequence-to-sequence問題上，有通用的解決函數(shù)。

Transformers應(yīng)用了注意力機(jī)制，首先我們學(xué)習(xí)注意力機(jī)制和自注意力機(jī)制。

• 注意力機(jī)制

注意力機(jī)制的作用是提高輸入數(shù)據(jù)中關(guān)鍵部分的重要性，降低其余部分的重要性。就像是你理解一個圖片的時候，你會聚焦在圖像中有意義的相關(guān)部分。注意力機(jī)制也是這樣做的。

但是為什么我們需要注意力機(jī)制？畢竟CNNs已經(jīng)在圖像特征提取上表現(xiàn)得很好了，不是嗎？

對于一個CNN，輸入的每個圖片都是一樣的操作。CNN不會對不同特征的相對位置進(jìn)行編碼。如果想要對這些特征組合進(jìn)行編碼，則需要大的卷積核。舉例來說，編碼鼻子和嘴巴上邊的眼睛這個信息，需要大的卷積核。

在一個圖片里，如果要捕捉較大范圍的依賴關(guān)系的話，是需要大的感受野。提高卷積核的尺寸可以提高模型的表達(dá)能力，但這樣做也會失去使用局部卷積結(jié)構(gòu)獲得的計算和統(tǒng)計效率。

自注意力機(jī)制是注意力機(jī)制的一種，和CNN結(jié)合可以幫助擬合長距離的依賴關(guān)系且不以犧牲計算效率和統(tǒng)計效率為代價。自注意力模塊是卷積的補(bǔ)充，有助于在圖像區(qū)域內(nèi)擬合遠(yuǎn)距離、多層次的依賴關(guān)系。

你可以看到，自注意力模塊替代了卷積層，現(xiàn)在模型中每個位置點(diǎn)可以和遠(yuǎn)距離的像素點(diǎn)有相關(guān)關(guān)系。

在最近的一項研究中，研究者執(zhí)行了一系列ResNets實(shí)驗，分別用注意力模塊替代部分和全部的卷積層，結(jié)果顯示模型效果最好的實(shí)驗是在淺層用卷積層，在深層用注意力層。

圖 SAGAN使用的自我注意模塊

• 自注意力

自注意力機(jī)制是注意力機(jī)制的一種，作用是序列中的每個元素和序列中其他元素有交互，并發(fā)現(xiàn)應(yīng)該更關(guān)注其他元素中的哪個。

自注意力的目標(biāo)是捕捉所有實(shí)體的關(guān)系，是一個所有詞向量的帶權(quán)重的組合，可以捕捉序列中元素之間的長范圍的信息和依賴關(guān)系。

從上圖可以看到，“it”指代的是“street”，而不是“animal”。自注意力是其他詞向量的帶權(quán)重的組合。這里“it”的詞向量是其他詞向量的加權(quán)的組合，其中單詞“street”的權(quán)重更高。

如果想深入理解權(quán)重是如何得到的，參考這個視頻： 

https://www.youtube.com/watch?v=tIvKXrEDMhk

根本上，一個自注意力層會對輸入序列中的每個元素進(jìn)行更新，更新的方式是對完整的輸入序列中的全部信息進(jìn)行整合。

因此，我們已經(jīng)了解了像自注意這樣的注意力機(jī)制如何有效地解決卷積網(wǎng)絡(luò)的一些局限性?，F(xiàn)在是否有可能用像Transformers這樣的基于注意力的模型完全取代CNN？

在NLP領(lǐng)域，Transformers已經(jīng)取代了LSTM。那么在計算機(jī)視覺領(lǐng)域，Transfomers可以取代CNN嗎？接下來我們深入了解下，在哪些方面，注意力的方法超越了CNN。

• Transformer 模型

Transformer模型最初是用來解決自然語言處理中的翻譯問題，包含encoder-decoder的模型結(jié)構(gòu)。圖片中左邊表示編碼器，右邊表示****。編碼器和****中都包含自注意力機(jī)制、線性層和剩余的全連接層。

備注：在卷積神經(jīng)網(wǎng)絡(luò)中，特征增強(qiáng)和特征轉(zhuǎn)換是自發(fā)進(jìn)行的（通過非線性的卷積層），在Transformer模型中，特征增強(qiáng)和特征轉(zhuǎn)換是分開進(jìn)行的，舉例來講，自注意力層僅實(shí)現(xiàn)特征增強(qiáng)，前饋網(wǎng)絡(luò)實(shí)現(xiàn)特征轉(zhuǎn)換。

• 編碼器

以翻譯為例，編碼其中的自注意力是幫助輸入序列中的words產(chǎn)生交互，從而對每個word產(chǎn)生一個包含和序列中其他word的語義相似性的特征表示。

• ****

****的工作是一次輸出一個已翻譯的單詞，基于到目前為止生成的輸入詞嵌入和輸出。

****輸出翻譯后的單詞，是通過對編碼器的輸出中的特定部分以及對之前****的輸出。為了確保編碼器只用到了已經(jīng)生成的之前的輸出，不包含訓(xùn)練中未來的輸出。Mask Self Attention機(jī)制用于****。它只是掩蓋了訓(xùn)練期間****輸入給出的未來單詞。

自注意力并不關(guān)心位置。比如說，這個句子“Deepak is the son of Pradeep”，對于單詞“son”，自注意力會給單詞“Deepak”更多權(quán)重。如果我們順序改變得到，“Pradeep is the son of Deepak”，對單詞“son”，自注意力還是會給單詞”Deepak”更多權(quán)重，但其實(shí)這里我們希望如果句子中單詞順序改變，對單詞“son”來說，自注意力機(jī)制可以給“Pradeep”更多權(quán)重。

這是因為，編碼單詞“son”的時候，自注意力機(jī)制是對其他所有單詞的詞向量進(jìn)行了加權(quán)組合且不考慮位置關(guān)系。所以打亂句子中的單詞順序并不會有任何不同。換句話說自注意力機(jī)制是位置無關(guān)的。除非，在把子向量輸入自注意力模塊之前，給每個單詞增加了位置信息。

• Vision Transformer

Vision Transformer是用Transformer替換卷積層。

圖 Vision Transformer

Transformer一般是應(yīng)用在序列數(shù)據(jù)中，因此我們把圖片切分成圖像塊（patches），然后把每個patch展開為一個向量。從現(xiàn)在開始，我會把這個圖像塊稱為一個元素(token)，因此我們現(xiàn)在就得到了一個由這樣的元素構(gòu)成的序列。

自注意力機(jī)制是位置無關(guān)（permutation invariance）的。它對不同注意力向量的加權(quán)求和是“泛化的”匯總。

這里permutation Invariance的意思是指，如果輸入序列是[A, B, C, D]，自注意力網(wǎng)絡(luò)得到的輸出結(jié)果和輸入序列為[A, C, B, D]是一樣的，以及任何其他的序列中元素位置發(fā)生改變后的序列，輸出結(jié)果都是一樣的。

 圖 如果不向patch中添加位置編碼，這兩個序列對于Transformer來說看起來是一樣的

因此，在輸入之前增加位置信息，增加位置信息有助于Transformer理解序列中元素的相對位置。在這里，學(xué)習(xí)位置編碼，而不是使用標(biāo)準(zhǔn)編碼。如果沒有增加位置編碼的話，對于Transformer來說這些序列都一樣。

最后，Transformer的輸出作為后續(xù)的MLP分類器的輸入。

從零訓(xùn)練Transformers，比CNN需要更多的數(shù)據(jù)。這是因為CNN可以編碼圖像的先驗知識比如平移不變性（translational equivariance）。但是Transformers需要從給定的數(shù)據(jù)中獲得這個信息。

平移不變性是卷積層的一種特性，如果我們將圖像中的對象向右移動，則特征層的激活(提取的特征)也將向右移動。但它們“實(shí)際上是相同的表示”。

• ConViT

Vision Transformer，通過可以在patch上實(shí)現(xiàn)自注意力機(jī)制，學(xué)習(xí)到卷積歸納偏置（例如：等變）。缺點(diǎn)是，它們需要大量數(shù)據(jù)才能從頭開始學(xué)習(xí)所有內(nèi)容

.

CNN有強(qiáng)歸納偏置性，所以在小數(shù)據(jù)集上表現(xiàn)更好。但如果有大量的數(shù)據(jù)可用，CNN的強(qiáng)歸納偏置性反而會限制模型的能力。

那么，是否有可能既擁有在小數(shù)據(jù)集上的強(qiáng)歸納偏置性，并且在大數(shù)據(jù)集上也不受限呢？

方案是引入?yún)^(qū)域自注意力機(jī)制（Positional Self Attention Mechanism(PSA) ），如果需要的話，它支持模型起卷積層的作用。我們只是用PSA替換了一些自注意層。

我們知道，由于自注意力是有位置無關(guān)性質(zhì)的，因此位置的信息通常是會增加到圖像塊上。我們并不是在嵌入階段添加的位置信息，而是用PSA替代原始的自注意層。

在PSA中，注意力的權(quán)重是用相對位置編碼（r）和經(jīng)過訓(xùn)練的詞向量（v）。這里相對位置編碼（r）僅僅依賴于像素間的距離。

這些具有可學(xué)習(xí)的相對位置編碼的多頭 PSA層可以表達(dá)任意卷積層。

因此，我們并沒有將CNN和注意力機(jī)制做整合，而是應(yīng)用PSA層，通過調(diào)整參數(shù)可以使得它具有卷積層的效果。在小數(shù)據(jù)集場景，PSA可以幫助模型更好的推廣，而到了大數(shù)據(jù)集場景，如果需要的話，PSA依然可以保留它的卷積性質(zhì)。

• 總結(jié)

這里我們展示了，最初用于機(jī)器翻譯的Transformer在圖像領(lǐng)域表現(xiàn)出了很好的效果。在圖像分類上，ViTs超過CNN是一個重大的突破。但是，ViTs需要在額外的大數(shù)據(jù)集上的預(yù)訓(xùn)練。在ImageNet數(shù)據(jù)集上，ConViT超過了ViTs，并且在效率上有所提升。這些都證明了，Transformers具有在圖像領(lǐng)域超越CNN的實(shí)力。

• 參考文獻(xiàn)
  

Transformers in Vision —https://arxiv.org/pdf/2101.01169.pdfConViT — https://arxiv.org/pdf/2103.10697.pdf
原文鏈接：https://becominghuman.ai/Transformers-in-vision-e2e87b739fe原文題目：Why Transformers are Slowly Replacing CNNs in Computer Vision?