全网首篇深度剖析PoolFormer模型，带你揭开MetaFormer的神秘面纱
Posted AI浩
tags:
篇首语：本文由小常识网(cha138.com)小编为大家整理，主要介绍了全网首篇深度剖析PoolFormer模型，带你揭开MetaFormer的神秘面纱相关的知识，希望对你有一定的参考价值。
文章目录
摘要
论文：https://arxiv.org/abs/2111.11418
论文翻译：https://blog.csdn.net/hhhhhhhhhhwwwwwwwwww/article/details/128281326
官方源码：https://github.com/sail-sg/poolformer
MetaFormer是颜水成大佬的一篇Transformer的论文，该篇论文的贡献主要有两点：第一、将Transformer抽象为一个通用架构的MetaFormer，并通过经验证明MetaFormer架构在Transformer/ mlp类模型取得了极大的成功。
第二、通过仅采用简单的非参数算子pooling作为MetaFormer的极弱token混合器，构建了一个名为PoolFormer。
Transformer编码器如图1(a)所示，由两部分组成。一个是注意力模块，用于在token之间混合信息，我们将其称为token mixer。另一个组件包含剩余的模块，如通道mlp和残差连接。transformer的成功归功于基于注意力的token混合器。基于这一共识，已经开发了许多注意力模块的变体，以改进视觉Transformer，比如上篇DEiT就是增加了一个dist token。
最近的一些方法在MetaFormer架构中探索了其他类型的token mixers，例如，用傅里叶变换取代了注意力，仍然达到了普通transformer的约97%的精度。综合所有这些结果，似乎只要模型采用MetaFormer作为通用架构，就可以获得非常优秀的结果。为了验证这一假设，作者应用一个极其简单的非参数操作符pooling作为令牌混合器，只进行基本的令牌混合，将其命名为PoolFormer。PoolFormer-M36在ImageNet-1K分类基准上达到82.1%的top-1精度，超过了DeiT[53]和ResMLP[52]等调优的视觉变压器，充分展示了MetaFormer通用架构的优秀性能。
作者简介
颜水成，计算机视觉和机器学习领域专家 ，新加坡工程院院士、ACM Fellow、IEEE Fellow、IAPR Fellow、ACM杰出科学家。 颜水成2004年从北京大学毕业，获数学博士学位。2004年至2006年，前往香港中文大学汤晓鸥教授的多媒体实验室任博士后，从事人脸识别方面的研究。2006年至2007年，赴美国伊利诺伊大学香槟分校（UIUC），师从黄煦涛（Thomas Huang）。2007年，加入新加坡国立大学，创立了机器学习与计算机视觉实验室。
模型分析
为了更加深入的了解模型，我们一起剖析一下模型的结构，使用 PoolFormer-S24举例，参数如下：
def poolformer_s24(pretrained=False, **kwargs):
"""
PoolFormer-S24 model, Params: 21M
"""
layers = [4, 4, 12, 4]
embed_dims = [64, 128, 320, 512]
mlp_ratios = [4, 4, 4, 4]
downsamples = [True, True, True, True]
model = PoolFormer(
layers, embed_dims=embed_dims,
mlp_ratios=mlp_ratios, downsamples=downsamples,
**kwargs)
return model
Input Emb模块
为了方便大家理解 Input Emb模块，对其一些关键的代码做了分析，主要包括：to_2tuple函数、nn.Conv2d、nn.Identity()等。
to_2tuple函数
to_2tuple函数对patch_size转为（patch_size，patch_size）元祖的形式，同理stride和padding分别转为（stride，stride）和（padding，padding）。
例：
from timm.models.layers import to_2tuple,to_3tuple # 导入
a = 224
b = to_2tuple(a)
c = to_3tuple(a)
print("a:,b:,c:".format(a,b,c))
print(type(a),type(b))
输出结果：
a:224,b:(224, 224),c:(224, 224, 224)
<class 'int'> <class 'tuple'>
nn.Conv2d
这一层就是一个普通的卷积，PoolFormer里的具体的参数：patch_size=7,stride=4,padding=2,in_chans=3,embed_dim=64，带入卷积如下：
nn.Conv2d(in_chans, embed_dim, kernel_size=patch_size,
stride=stride, padding=padding)
得到
nn.Conv2d(3, 64, kernel_size=(7,7),
stride=(4,4), padding=(2,2))
根据卷积的计算公式：
N=(W-F+2P)/S+1
其中N：输出大小
W：输入大小
F：卷积核大小
P：填充值的大小
S：步长大小
由于输入大小是224，将上面的参数代入：⌊(224-7+2×2)/4⌋+1=56
所以经过卷积之后的输出大小是[-1, 64, 56, 56] 。
nn.Identity()
直接源码。
class Identity(Module):
def __init__(self, *args: Any, **kwargs: Any) -> None:
super(Identity, self).__init__()
def forward(self, input: Tensor) -> Tensor:
return input
将输入直接输出，就是个占位符。所以输出自然是[-1, 64, 56, 56]
到这里Input Emb模块讲解完了。详细参数如下：
(patch_embed): PatchEmbed(
(proj): Conv2d(3, 64, kernel_size=(7, 7), stride=(4, 4), padding=(2, 2))
(norm): Identity()
)
Input Emb模块源码
对输入的信息进行编码。代码如下：
class PatchEmbed(nn.Module):
"""
Patch Embedding that is implemented by a layer of conv.
Input: tensor in shape [B, C, H, W]
Output: tensor in shape [B, C, H/stride, W/stride]
"""
def __init__(self, patch_size=16, stride=16, padding=0,
in_chans=3, embed_dim=768, norm_layer=None):
super().__init__()
patch_size = to_2tuple(patch_size)
stride = to_2tuple(stride)
padding = to_2tuple(padding)
self.proj = nn.Conv2d(in_chans, embed_dim, kernel_size=patch_size,
stride=stride, padding=padding)
self.norm = norm_layer(embed_dim) if norm_layer else nn.Identity()
def forward(self, x):
x = self.proj(x)
x = self.norm(x)
return x
通过上面的代码，我们可以得知，里面只有一步卷积操作。
PoolFormerBlock
接下来讲解一下PoolFormerBlock，PoolFormerBlock是构成网络的baseblock，PoolFormer就是通过搭积木一样的方式将PoolFormerBlock堆叠起来。
PoolFormerBlock结构图如下：
从上图可以看出，PoolFormerBlock包括：Norm、Pooling、Channel MLP。接下来依次介绍这几个模块。
Norm
从图上可以看到有两个Norm模块，这两个Norm模块是一样的，默认是GroupNorm，这里的GroupNorm仅仅继承了pytorch的nn.GroupNorm，代码如下：
class GroupNorm(nn.GroupNorm):
"""
Group Normalization with 1 group.
Input: tensor in shape [B, C, H, W]
"""
def __init__(self, num_channels, **kwargs):
super().__init__(1, num_channels, **kwargs)
Pooling
Pooling选用nn.AvgPool2d，卷积核大小是3，padding是1。
class Pooling(nn.Module):
"""
Implementation of pooling for PoolFormer
--pool_size: pooling size
"""
def __init__(self, pool_size=3):
super().__init__()
self.pool = nn.AvgPool2d(
pool_size, stride=1, padding=pool_size//2, count_include_pad=False)
def forward(self, x):
return self.pool(x) - x
经过Pooling之后，再减去输入x。
终于找到PoolFormer的核心了，极简的设计，极高的性能。
Channel MLP
接下来继续分析MLP的操作。
MLP模块代码如下：
class Mlp(nn.Module):
def __init__(self, in_features, hidden_features=None,
out_features=None, act_layer=nn.GELU, drop=0.):
super().__init__()
out_features = out_features or in_features
hidden_features = hidden_features or in_features
self.fc1 = nn.Conv2d(in_features, hidden_features, 1)
self.act = act_layer()
self.fc2 = nn.Conv2d(hidden_features, out_features, 1)
self.drop = nn.Dropout(drop)
def forward(self, x):
x = self.fc1(x)
x = self.act(x)
x = self.drop(x)
x = self.fc2(x)
x = self.drop(x)
return x
关于“ out_features = out_features or in_features
hidden_features = hidden_features or in_features”
，可以同过下面代码的去理解。
in_features=64
out_features=None
hidden_features=None
out_features = out_features or in_features
hidden_features = hidden_features or in_features
print(in_features,out_features,hidden_features)
运行结果：
64 64 64
从结果上可以得知，如果没有给out_features 或者hidden_features 赋具体的值，则将它们设置为in_features的值。
由于mlp_ratio的值为4，所以hidden_features为64×4=256。
mlp_hidden_dim = int(dim * mlp_ratio)
self.mlp = Mlp(in_features=dim, hidden_features=mlp_hidden_dim,
act_layer=act_layer, drop=drop)
接下来的的代码比较好理解，两层1✖1的卷积+激活函数+Dropout构成。
self.fc1 = nn.Conv2d(in_features, hidden_features, 1)
self.act = act_layer()
self.fc2 = nn.Conv2d(hidden_features, out_features, 1)
self.drop = nn.Dropout(drop)
layer_scale_1和layer_scale_2参数的理解
从上图可以看出，这里和输入有个融合。对应代码：
由于 drop=0., drop_path=0.，根据代码：
self.drop_path = DropPath(drop_path) if drop_path > 0. else nn.Identity()
得出：
self.drop_path =nn.Identity()
对于self.layer_scale_1.unsqueeze(-1).unsqueeze(-1)* self.token_mixer(self.norm1(x))，可以通过下面的代码去理解：
import torch
layer_scale_init_value=1e-5
layer_scale_1=layer_scale_init_value * torch.ones((64))
layer_scale_1=layer_scale_1.unsqueeze(-1).unsqueeze(-1)
print(layer_scale_1.shape)
print(layer_scale_1)
运行结果：
从运行结果可以看出是得到了一个64×1×1的向量。向量的值为1e-5。然后，用这个向量去乘Pooling
的输出。然后再和x相加。这个操作有点类似SE注意力机制。
layer_scale_2和layer_scale_1是一样的，如下图：
经过MLP模块后，再和layer_scale_2相乘，然后和x融合。
PoolFormerBlock参数与代码
参数可以通过summary（）
Layer (type) Output Shape Param #
================================================================
PatchEmbed-3 [-1, 64, 56, 56] 0
GroupNorm-4 [-1, 64, 56, 56] 128
AvgPool2d-5 [-1, 64, 56, 56] 0
Pooling-6 [-1, 64, 56, 56] 0
Identity-7 [-1, 64, 56, 56] 0
GroupNorm-8 [-1, 64, 56, 56] 128
Conv2d-9 [-1, 256, 56, 56] 16,640
GELU-10 [-1, 256, 56, 56] 0
Dropout-11 [-1, 256, 56, 56] 0
Conv2d-12 [-1, 64, 56, 56] 16,448
Dropout-13 [-1, 64, 56, 56] 0
Mlp-14 [-1, 64, 56, 56] 0
Identity-15 [-1, 64, 56, 56] 0
PoolFormerBlock-16 [-1, 64, 56, 56] 0
具体做的操作，可以直接print(model)得到,如下：
(0): PoolFormerBlock(
(norm1): GroupNorm(1, 64, eps=1e-05, affine=True)
(token_mixer): Pooling(
(pool): AvgPool2d(kernel_size=3, stride=1, padding=1)
)
(norm2): GroupNorm(1, 64, eps=1e-05, affine=True)
(mlp): Mlp(
(fc1): Conv2d(64, 256, kernel_size=(1, 1), stride=(1, 1))
(act): GELU(approximate='none')
(fc2): Conv2d(256, 64, kernel_size=(1, 1), stride=(1, 1))
(drop): Dropout(p=0.0, inplace=False)
)
(drop_path): Identity()
)
PoolFormerBlock代码：
class PoolFormerBlock(nn.Module):
def __init__(self, dim, pool_size=3, mlp_ratio=4.,
act_layer=nn.GELU, norm_layer=GroupNorm,
drop=0., drop_path=0.,
use_layer_scale=True, layer_scale_init_value=1e-5):
super().__init__()
self.norm1 = norm_layer(dim)
self.token_mixer = Pooling(pool_size=pool_size)
self.norm2 = norm_layer(dim)
mlp_hidden_dim = int(dim * mlp_ratio)
self.mlp = Mlp(in_features=dim, hidden_features=mlp_hidden_dim,
act_layer=act_layer, drop=drop)
# The following two techniques are useful to train deep PoolFormers.
self.drop_path = DropPath(drop_path) if drop_path > 0. \\
else nn.Identity()
self.use_layer_scale = use_layer_scale
if use_layer_scale:
self.layer_scale_1 = nn.Parameter(
layer_scale_init_value * torch.ones((dim)), requires_grad=True)
self.layer_scale_2 = nn.Parameter(
layer_scale_init_value * torch.ones((dim)), requires_grad=True)
def forward(self, x):
if self.use_layer_scale:
x = x + self.drop_path(
self.layer_scale_1.unsqueeze(-1).unsqueeze(-1)
* self.token_mixer(self.norm1(x)))
x = x + self.drop_path(
self.layer_scale_2.unsqueeze(-1).unsqueeze(-1)
* self.mlp(self.norm2(x)))
else:
x = x + self.drop_path(self.token_mixer(self.norm1(x)))
x = x + self.drop_path(self.mlp(self.norm2(x)))
return x
PoolFormer
在上一节，我们可以说是逐字逐句的剖析了PoolFormerBlock，接下来，我们一起分析，如何使用PoolFormerBlock堆叠成PoolFormer，也就是network这个list。
我们继续poolformer_s24为例，layers = [4, 4, 12, 4]，embed_dims = [64, 128, 320, 512]。
我已经将这两个列表的值和PoolFormer中的Stage对应起来，通过上图我们可以看出基本上可以ResNet类似。
第一个stage，循环了4个PoolFormerBlock，然后经过PatchEmbed构建下一个Stage的特征，高和宽减半，channel增减一倍。为了方便大家的理解，我将两个Stage交界的PoolFormerBlock打印出来，如下：
(3): PoolFormerBlock(
(norm1): GroupNorm(1, 64, eps=1e-05, affine=True)
(token_mixer): Pooling(
(pool): AvgPool2d(kernel_size=3, stride=1, padding=1)
)
(norm2): GroupNorm(1, 64, eps=1e-05, affine=True)
(mlp): Mlp(
(fc1): Conv2d(64, 256, kernel_size=(1, 1), stride=(1, 1))
(act): GELU(approximate='none')
(fc2): Conv2d(256, 64, kernel_size=(1, 1), stride=(1, 1))
(drop): Dropout(p=0.0, inplace=False)
)
(drop_path): Identity()
)
)
(1): PatchEmbed(
(proj): Conv2d(64, 128, kernel_size=(3, 3), stride=(2, 2), padding=(1, 1))
(norm): Identity()
)
(2): Sequential(
(0强势分享！BAT大牛带你深度剖析《全网最系统Android 三大主流开源框架（附源码）》