T2T-ViT：在ImageNet上从头开始训练视觉Transformer.

使用中等大小的数据集 (如 ImageNet) 训练时，目前视觉Transformer的性能相比于 CNN 模型 (比如 ResNet) 更低，作者认为原因有2点：

  1. 视觉Transformer处理图像的方式不够好，无法建模一张图片的局部信息；
  2. 视觉Transformer的自注意力机制的 Backbone 不如 CNN 设计的好。

1. 改进图像处理方式

ViT将图片分成不同的patch后，对每个patch进行tokenization操作，不同patch之间没有Overlapping部分，等价于kernel_size和stride相等的Conv2d操作，是一种Hard Split操作。

作者提出了一种soft-split操作，每个patch中都包含有overlapping的部分，让每个token能够捕捉到更加精细的局部结构。这种操作称为Tokens-to-Token (T2T)。

T2T中用到了Pytorch提供的Unfold操作，这个操作的具体作用是在输入图像中按一定的stride和kernel_size，滑动地提取出局部区域块（只要stride比kernel_size小，提取出的局部区域块中就会有overlapping部分），然后把区域块内每个像素的特征拼接起来。

import torch
import torch.nn as nn
x = torch.randn(1, 3, 224, 224)
soft_split = nn.Unfold(kernel_size=(7, 7), stride=(4, 4), padding=(2, 2))
x = soft_split(x).transpose(1,2) # size: 1, 3136, 147
x = self_attention(x) # 进行self-attention操作
B, new_HW, C = x.shape
x = x.transpose(1,2).reshape(B, C, int(np.sqrt(new_HW)), int(np.sqrt(new_HW)))

用一层Tokens-to-Token操作举例，假设输入的图像是$(3,224,224)$，经过Unfold操作后，将一个kernel中的tokens纵向拼接起来，生成的每一个token大小是$7\times 7\times 3=147$，其中$7\times 7$表示一个kernel中有49个token，3是channel维度；根据stride和padding计算后一共生成了3136个token，每个token的维度是147，再进行一次self-attention操作来处理生成的tokens，然后再reshape成feature map。为了防止因为不断的unfold操作导致每个token的维度越来越高，每一层的self-attention操作后都会将其投影回一个较低的维度，文中设置的是$64$。 T2T-ViT在生成最终输入进transformer encoder的token之前总共进行了三次tokens-to-token操作。

2. 改进自注意力机制

自注意力机制的 Backbone 一开始不是为 CV 任务设计的，所以在ViT中，注意力存在冗余设计，在有限的训练数据集中难以产生丰富的特征图。通过可视化ViT中的特征图发现，在其中存在大量无效的特征图（红色框），并且一些特征的局部细节不如卷积神经网络。

为了设计一种更高效的 Backbone，同时增加特征图的丰富性，作者借鉴了一些 CNN 的 Backbone 架构设计方案：

经过比较作者得出了2个结论：

根据以上结论，作者设计了一个 Deep-narrow 架构的 T2T Backbone，它的 embedding dimension 比较小，同时层数较多：

一个完整的T2T-ViT网络首先通过 T2T 模块对图像的局部信息进行建模，再通过 T2T-ViT 的 Backbone提取特征用于下游任务。T2T 模块有$3$层，会进行3次 Soft Split 操作和2次 Restructurization 操作。其中3次 unfold 操作使用的卷积核的大小分别是$[7,3,3]$，patches 之间重叠的大小分别是$[3,1,1]$, stride 的大小分别是$[4,2,2]$。T2T 模块会把 $224×224$ 大小的图片变成 $14×14$ 大小。T2T 模块的输出张量进入 T2T Backbone 里面， T2T Backbone 有14层 Block，embedding dimension 大小是384。

T2T-ViT的完整实现可参考vit-pytorch。

import math
import torch
from torch import nn
from einops import rearrange, repeat
from einops.layers.torch import Rearrange

# helpers
def conv_output_size(image_size, kernel_size, stride, padding):
    return int(((image_size - kernel_size + (2 * padding)) / stride) + 1)

# classes
class RearrangeImage(nn.Module):
    def forward(self, x):
        return rearrange(x, 'b (h w) c -> b c h w', h = int(math.sqrt(x.shape[1])))

# main class
class T2TViT(nn.Module):
    def __init__(self, *, image_size, num_classes, dim, depth = None, heads = None, mlp_dim = None, pool = 'cls', channels = 3, dim_head = 64, dropout = 0., emb_dropout = 0., transformer = None, t2t_layers = ((7, 4), (3, 2), (3, 2))):
        super().__init__()
        assert pool in {'cls', 'mean'}, 'pool type must be either cls (cls token) or mean (mean pooling)'

        layers = []
        layer_dim = channels
        output_image_size = image_size

        for i, (kernel_size, stride) in enumerate(t2t_layers):
            layer_dim *= kernel_size ** 2
            is_first = i == 0
            is_last = i == (len(t2t_layers) - 1)
            output_image_size = conv_output_size(output_image_size, kernel_size, stride, stride // 2)

            layers.extend([
                RearrangeImage() if not is_first else nn.Identity(),
                nn.Unfold(kernel_size = kernel_size, stride = stride, padding = stride // 2),
                Rearrange('b c n -> b n c'),
                Transformer(dim = layer_dim, heads = 1, depth = 1, dim_head = layer_dim, mlp_dim = layer_dim, dropout = dropout) if not is_last else nn.Identity(),
            ])

        layers.append(nn.Linear(layer_dim, dim))
        self.to_patch_embedding = nn.Sequential(*layers)

        self.pos_embedding = nn.Parameter(torch.randn(1, output_image_size ** 2 + 1, dim))
        self.cls_token = nn.Parameter(torch.randn(1, 1, dim))
        self.dropout = nn.Dropout(emb_dropout)

        self.transformer = Transformer(dim, depth, heads, dim_head, mlp_dim, dropout)

        self.pool = pool
        self.to_latent = nn.Identity()

        self.mlp_head = nn.Sequential(
            nn.LayerNorm(dim),
            nn.Linear(dim, num_classes)
        )

    def forward(self, img):
        x = self.to_patch_embedding(img)
        b, n, _ = x.shape

        cls_tokens = repeat(self.cls_token, '() n d -> b n d', b = b)
        x = torch.cat((cls_tokens, x), dim=1)
        x += self.pos_embedding[:, :n+1]
        x = self.dropout(x)

        x = self.transformer(x)

        x = x.mean(dim = 1) if self.pool == 'mean' else x[:, 0]

        x = self.to_latent(x)
        return self.mlp_head(x)