Transformer实战-系列教程11：SwinTransformer 源码解读4（WindowAttention类）

🚩🚩🚩Transformer实战-系列教程总目录

有任何问题欢迎在下面留言
本篇文章的代码运行界面均在Pycharm中进行
本篇文章配套的代码资源已经上传
点我下载源码

SwinTransformer 算法原理
 SwinTransformer 源码解读1（项目配置/SwinTransformer类）
SwinTransformer 源码解读2（PatchEmbed类/BasicLayer类）
SwinTransformer 源码解读3（SwinTransformerBlock类）
SwinTransformer 源码解读4（WindowAttention类）
SwinTransformer 源码解读5（Mlp类/PatchMerging类）

6、WindowAttention类

6.1 构造函数

python 复制代码

class WindowAttention(nn.Module):
    def __init__(self, dim, window_size, num_heads, qkv_bias=True, qk_scale=None, attn_drop=0., proj_drop=0.):
        super().__init__()
        self.dim = dim
        self.window_size = window_size
        self.num_heads = num_heads
        head_dim = dim // num_heads
        self.scale = qk_scale or head_dim ** -0.5
        self.relative_position_bias_table = nn.Parameter(
            torch.zeros((2 * window_size[0] - 1) * (2 * window_size[1] - 1), num_heads))

        coords_h = torch.arange(self.window_size[0])
        coords_w = torch.arange(self.window_size[1])
        coords = torch.stack(torch.meshgrid([coords_h, coords_w]))
        coords_flatten = torch.flatten(coords, 1)
        relative_coords = coords_flatten[:, :, None] - coords_flatten[:, None, :]
        relative_coords = relative_coords.permute(1, 2, 0).contiguous()
        relative_coords[:, :, 0] += self.window_size[0] - 1
        relative_coords[:, :, 1] += self.window_size[1] - 1
        relative_coords[:, :, 0] *= 2 * self.window_size[1] - 1
        relative_position_index = relative_coords.sum(-1)
        self.register_buffer("relative_position_index", relative_position_index)

        self.qkv = nn.Linear(dim, dim * 3, bias=qkv_bias)
        self.attn_drop = nn.Dropout(attn_drop)
        self.proj = nn.Linear(dim, dim)
        self.proj_drop = nn.Dropout(proj_drop)

        trunc_normal_(self.relative_position_bias_table, std=.02)
        self.softmax = nn.Softmax(dim=-1)

dim：输入特征维度
window_size：窗口大小
num_heads：多头注意力头数
head_dim：每头注意力的头数
scale ：缩放因子
relative_position_bias_table：相对位置偏置表，它对每个头存储不同窗口位置之间的偏置，以模拟位置信息
coords_h 、coords_w、coords：窗口内每个位置的坐标
coords_flatten ：将坐标展平，为计算相对位置做准备
第1个relative_coords：计算窗口内每个位置相对于其他位置的坐标差
第2个relative_coords：重排坐标差的维度以符合预期的格式
relative_coords[:, :, 0]、relative_coords[:, :, 1]、relative_coords[:, :, 0]：调整坐标差，使其能够映射到相对位置偏置表中的索引
relative_position_index ：计算每对位置之间的相对位置索引
register_buffer：将相对位置索引注册为模型的缓冲区，这样它就不会在训练过程中被更新
qkv ：创建一个线性层，用于生成QKV
attn_drop、proj、proj_drop：初始化注意力dropout、输出投影层及其dropout
trunc_normal_：使用截断正态分布初始化相对位置偏置表
softmax ：初始化softmax层，用于计算注意力权重

6.2 前向传播

在Swin Transformer中，一共有4个stage，每次stage都分别包含W-MSA和SW-MSA，W-MSA和SW-MSA都是在执行WindowAttention模块，也就是说在一次batch的执行过程中WindowAttention的前向传播过程会执行8次。

每次stage执行后，都会进行下采样操作，这个下采样操作，长宽会减半特征图会增多。

python 复制代码

    def forward(self, x, mask=None):
        B_, N, C = x.shape
        qkv = self.qkv(x).reshape(B_, N, 3, self.num_heads, C // self.num_heads).permute(2, 0, 3, 1, 4)
        q, k, v = qkv[0], qkv[1], qkv[2]  # make torchscript happy (cannot use tensor as tuple)
        q = q * self.scale
        attn = (q @ k.transpose(-2, -1))

        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)  
        relative_position_bias = relative_position_bias.permute(2, 0, 1).contiguous()
        attn = attn + relative_position_bias.unsqueeze(0)
        if mask is not None:
            nW = mask.shape[0]
            attn = attn.view(B_ // nW, nW, self.num_heads, N, N) + mask.unsqueeze(1).unsqueeze(0)
            attn = attn.view(-1, self.num_heads, N, N)
            attn = self.softmax(attn)
        else:
            attn = self.softmax(attn)
        attn = self.attn_drop(attn)
        x = (attn @ v).transpose(1, 2).reshape(B_, N, C)
        x = self.proj(x)
        x = self.proj_drop(x)
        return x

B_, N, C = x.shape原始输入： torch.Size([256, 49, 96])，B_, N, C即原始输入的维度
qkv = self.qkv(x).reshape...qkv: torch.Size([3, 256, 3, 49, 32])，被重塑的一个五维张量，分别代表qkv三个维度、256个窗口、3个注意力头数但是不会一直是3越往后会越多、49是一个窗口有7*7=49元素、每个头的特征维度。在之前的Transformer以及Vision Transformer中，都是用x接上各自的全连接后分别生成QKV，这这里直接一起生成了。
q: torch.Size([256, 3, 49, 32])，k: torch.Size([256, 3, 49, 32])，v: torch.Size([256, 3, 49, 32])，从qkv中分解出q、k、v，而且已经包含了多头注意力机制
attn： torch.Size([256, 3, 49, 49])，attn是q和k的点积
relative_position_bias： torch.Size([49, 49, 3])，从相对位置偏置表中索引出每对位置之间的偏置，并重塑以匹配注意力分数的形状
relative_position_bias： torch.Size([3, 49, 49])，重新排列，位置编码在Transformer中一直当成偏置加进去的，而这个位置编码是对一个窗口的，所以每一个窗口的都对应了相同的位置编码
attn： torch.Size([256, 3, 49, 49])，将位置编码加到注意力分数上，到这里就算完了全部的注意力机制了
attn： torch.Size([256, 3, 49, 49])，掩码加到注意力分数上，使用softmax函数归一化注意力分数，得到注意力权重，应用注意力dropout。
x： torch.Size([256, 49, 96])，使用注意力权重对v向量进行重构，然后对结果进行转置和重塑
x： torch.Size([256, 49, 96])，将加权的注意力输出通过一个线性投影层，应用输出dropout，这就是最后WindowAttention的输出，一共256个窗口，每个窗口有49个特征，每个特征对应96维的向量