有关swin transformer相对位置编码的理解：

假设window_size是7*7

那么窗口中共有49个patch，共有49*49个相对位置，每个相对位置有两个索引对应x和y两个方向，每个索引值的取值范围是[-6,6]。（第0行相对第6行，x索引相对值为-6；第6行相对第0行，x索引相对值为6；所以索引取值范围是[-6,6]）

    # get pair-wise relative position index for each token inside the windowcoords_h = torch.arange(self.window_size[0])coords_w = torch.arange(self.window_size[1])coords = torch.stack(torch.meshgrid([coords_h, coords_w]))  # 2, Wh, Wwcoords_flatten = torch.flatten(coords, 1)  # 2, Wh*Ww# 2, Wh*Ww, Wh*Ww, https://www.cnblogs.com/sgdd123/p/7603004.htmlrelative_coords = coords_flatten[:, :, None] - coords_flatten[:, None, :]  # Wh*Ww, Wh*Ww, 2, [i,j,:]表示窗口内第i个patch相对于第j个patch的坐标relative_coords = relative_coords.permute(1, 2, 0).contiguous()

此时，构建出来的relative_coords的shape是[49, 49, 2]，[i, j, :]表示窗口内第i个patch相对于第j个patch的坐标。

由于此时索引取值范围中包含负值，可分别在每个方向上加上6，使得索引取值从0开始。此时，索引取值范围为[0,12]

    relative_coords[:, :, 0] += self.window_size[0] - 1  # shift to start from 0relative_coords[:, :, 1] += self.window_size[1] - 1

有了这些相对位置坐标之后，就可以根据这些坐标获取对应的position bias，即论文中公式（4）中的B：
Attention⁡(Q,K,V)=SoftMax⁡(QKT/d+B)V\operatorname{Attention}(Q, K, V)=\operatorname{SoftMax}\left(Q K^{T} / \sqrt{d}+B\right) V Attention(Q,K,V)=SoftMax(QKT/d+B)V
这个时候可以构建一个shape为[13,13]的table，则当相对位置为(i，j)时，B=table[i, j]。（i，j的取值范围都是[0, 12]）

由于论文中使用的是multi-head-self-attention，所以table[i, j]的值应该是一个维度为num_heads的一维向量。

在代码中，实现如下：(注意，此时的table将二维的位置关系，合并为了一维的位置关系）

    # define a parameter table of relative position bias  # shape : 2*Wh-1 * 2*Ww-1, nHself.relative_position_bias_table = nn.Parameter(torch.zeros((2 * window_size[0] - 1) * (2 * window_size[1] - 1), num_heads))

为了与table对应，根据相对位置坐标取值时，也需要将二维相对坐标(i, j)映射为一维相对坐标(i*13+j)，在代码中体现为：

     relative_coords[:, :, 0] *= 2 * self.window_size[1] - 1relative_position_index = relative_coords.sum(-1)  # Wh*Ww, Wh*Ww

最后，就可以根据映射后的坐标来对B进行取值了：

    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,nHrelative_position_bias = relative_position_bias.permute(2, 0, 1).contiguous()  # nH, Wh*Ww, Wh*Ww

附注：

将二维相对坐标(i, j)映射为一维相对坐标时，最简单的映射方式是将i和j相加，但这样无法区分(0, 2)和(2, 0)，因为相加的结果都是2；所以作者采用了i*13+j这种方式，其中13 = 2*window_size - 1, 即j取值的个数（0-12，共13个数）。类似于将一个二维数组打平后，每个元素的位置。

有关swin transformer相对位置编码的理解：相关推荐

Transformer课程：理解语言的 Transformer 模型-位置编码及掩码（Masking）
Transformer课程:理解语言的 Transformer 模型-位置编码及掩码 (Masking) 目录位置编码(Positional encoding) 掩码 (Masking) 参考文献 ...
Swin Transformer原文及其代码的理解
Swin Transformer原文及其代码的理解第一版更好的排版笔记:Notion 名词解释基础知识: 搞懂Vision Transformer 原理和代码,看这篇技术综述就够了(三) tok ...
5分钟理解transformer模型位置编码
Bert模型是自然语言处理方面里程碑式的进步,其核心是transformer层, 而transformer采用自注意力编码器摒弃了循环网络,循环网络天生的顺序信息在自注意力编码器中没有了,而语言往往是 ...
Swin Transformer
一,原理介绍: Swin Transformer: Hierarchical Vision Transformer using Shifted Windows,绕不开的baseline,多模态用有新 ...
【Transformer 相关理论深入理解】注意力机制、自注意力机制、多头注意力机制、位置编码
目录前言一.注意力机制:Attention 二.自注意力机制:Self-Attention 三.多头注意力机制:Multi-Head Self-Attention 四.位置编码:Positiona ...
深入理解transformer中的位置编码
文章目录总览问题1 问题2 问题3 问题4 问题5 问题6 总览我们今天需要讲解transformer中的位置编码,这其实属于进阶内容.既然你会到这里,我默认你已经看过了transformer的 ...
FLOATER：更加灵活的Transformer位置编码！
NewBeeNLP公众号原创出品公众号专栏作者 @Maple小七北京邮电大学·模式识别与智能系统来自 ICML2020 对Transformer位置编码的探索论文:Learning to E ...
Transformer架构：位置编码
2017年,Google的Vaswani 等人提出了一种新颖的纯注意力序列到序列架构,闻名学术界与工业界的 Transformer 架构横空出世.它的可并行化训练能力和优越的性能使其成为自然语言处理领 ...
transformer引入位置信息--Sinusoidal位置编码《个人学习笔记》
transformer引入位置信息--Sinusoidal位置编码为什么transformer需要位置编码 Sinusoidal绝对位置编码首先,所有技术都是个人理解,并感谢技术各位分享,由此根据 ...

有关swin transformer相对位置编码的理解：

有关swin transformer相对位置编码的理解：相关推荐

最新文章

热门文章