21_ViT凭什么挑战CNN统治地位？视觉Transformer崛起
本章目标 ：打破 "CV 必须用卷积" 的思维定势。理解 Vision Transformer (ViT) 如何把图片拆成 Patch，用纯 Transformer 架构在 ImageNet 上击败 ResNet。Inductive Bias (归纳偏置) 是本章的核心关键词。
目录
- [Inductive Bias：CNN 的诅咒与祝福](#Inductive Bias：CNN 的诅咒与祝福)
- [ViT 核心操作：Patch Partition](#ViT 核心操作：Patch Partition)
- [Class Token 与位置编码](#Class Token 与位置编码)
- [CNN vs ViT：谁是未来？](#CNN vs ViT：谁是未来？)
- [实战：PyTorch 实现微型 ViT](#实战：PyTorch 实现微型 ViT)
1. Inductive Bias：CNN 的诅咒与祝福
CNN 之所以强，是因为它假设了两件事（这叫 归纳偏置 Inductive Bias）：
- 局部性 (Locality)：像素只和周围的像素有关（局部窗口）。
- 平移不变性 (Translation Invariance)：猫在左边和右边是一样的（权重共享）。
- 祝福：这让 CNN 在小数据上也能训练得很好，收敛很快。
- 诅咒 ：CNN 很难捕捉全局长距离关系。虽然堆深了能扩大感受野，但毕竟不如直接 Attention 来得直接。
ViT 的思想 ：抛弃这些假设！让 Attention 自己去学像素之间的关系，哪怕相隔千里的像素也能直接交互。
代价：ViT 需要海量数据（如 JFT-300M, 3亿张图）才能"学会"这些本来由卷积提供的先验知识。
2. ViT 核心操作：Patch Partition
Transformer 的输入必须是序列 (Sequence)。怎么把一张 224 × 224 224 \times 224 224×224 的图变成序列？
切块 (Patching) ：
把图片切成 P × P P \times P P×P 的小方块（例如 16 × 16 16 \times 16 16×16）。
- 一张图变成 N = ( H / P ) × ( W / P ) N = (H/P) \times (W/P) N=(H/P)×(W/P) 个 Patch。
- 例如 224 × 224 224 \times 224 224×224，切成 196 196 196 个 16 × 16 16 \times 16 16×16 的 Patch。
- 每个 Patch 展平为一个向量（长度 16 × 16 × 3 = 768 16 \times 16 \times 3 = 768 16×16×3=768）。
- Linear Projection ：通过一个线性层把这个 768 维向量映射到 D D D 维（Embedding Dimension）。
现在，图片就变成了 196 个单词。
3. Class Token 与位置编码
有了 196 个 Patch 向量后，ViT 做了两件事：
-
Class Token ([CLS])：
- 借用 BERT 的思想，在序列最前面加一个可学习的向量。
- 序列长度变成 196 + 1 = 197 196 + 1 = 197 196+1=197。
- Transformer 输出时，我们只取这个
[CLS]对应的输出向量去做分类。因为它通过 Attention 聚合了所有 Patch 的信息。
-
Positional Embedding：
- 因为 Transformer 没有空间概念（乱序输入结果一样），我们必须加上位置编码。
- ViT 通常使用可学习的 1D 位置编码（直接加在 Embedding 上）。
4. CNN vs ViT：谁是未来？
- 中小数据集 (ImageNet-1K, CIFAR)：CNN 胜。ResNet 效率更高，更准。
- 超大数据集 (ImageNet-21K, JFT-300M)：ViT 胜。ViT 的上限更高，因为它没有假设，它能学到比卷积更复杂的模式。
现在的趋势 ：Hybrid（混合架构） 。
例如 Swin Transformer，引入了"局部窗口 Attention"，结合了 CNN 的局部性优势和 Transformer 的全局建模能力。
5. 实战：PyTorch 实现微型 ViT
我们使用 einops 库来简化 Patch 操作（强烈推荐学习 einops）。
python
import torch
import torch.nn as nn
from einops import rearrange, repeat
from einops.layers.torch import Rearrange
# 辅助：Pre-Norm 结构的 Attention (LayerNorm 在 Attention 之前)
class PreNorm(nn.Module):
def __init__(self, dim, fn):
super().__init__()
self.norm = nn.LayerNorm(dim)
self.fn = fn
def forward(self, x, **kwargs):
return self.fn(self.norm(x), **kwargs)
# Feed Forward Network (GELU 激活)
class FeedForward(nn.Module):
def __init__(self, dim, hidden_dim, dropout=0.):
super().__init__()
self.net = nn.Sequential(
nn.Linear(dim, hidden_dim),
nn.GELU(),
nn.Dropout(dropout),
nn.Linear(hidden_dim, dim),
nn.Dropout(dropout)
)
def forward(self, x):
return self.net(x)
# Attention (简化版)
class Attention(nn.Module):
def __init__(self, dim, heads=8, dim_head=64, dropout=0.):
super().__init__()
inner_dim = dim_head * heads
self.heads = heads
self.scale = dim_head ** -0.5
self.to_qkv = nn.Linear(dim, inner_dim * 3, bias = False)
self.to_out = nn.Sequential(
nn.Linear(inner_dim, dim),
nn.Dropout(dropout)
)
def forward(self, x):
# x: [batch, 197, dim]
qkv = self.to_qkv(x).chunk(3, dim = -1)
# 拆分 head
q, k, v = map(lambda t: rearrange(t, 'b n (h d) -> b h n d', h = self.heads), qkv)
dots = torch.matmul(q, k.transpose(-1, -2)) * self.scale
attn = dots.softmax(dim=-1)
out = torch.matmul(attn, v)
out = rearrange(out, 'b h n d -> b n (h d)') # 合并 head
return self.to_out(out)
class ViT(nn.Module):
def __init__(self, image_size, patch_size, num_classes, dim, depth, heads, mlp_dim, channels=3):
super().__init__()
num_patches = (image_size // patch_size) ** 2
patch_dim = channels * patch_size ** 2
# 1. Patch Embedding
self.to_patch_embedding = nn.Sequential(
# [B, C, H, W] -> [B, N, P*P*C]
Rearrange('b c (h p1) (w p2) -> b (h w) (p1 p2 c)', p1 = patch_size, p2 = patch_size),
nn.Linear(patch_dim, dim),
)
# 2. Positional Embedding & CLS Token
self.pos_embedding = nn.Parameter(torch.randn(1, num_patches + 1, dim))
self.cls_token = nn.Parameter(torch.randn(1, 1, dim))
# 3. Transformer Encoder
self.transformer = nn.Sequential(*[
nn.Sequential(
PreNorm(dim, Attention(dim, heads = heads, dim_head = 64)),
PreNorm(dim, FeedForward(dim, mlp_dim))
) for _ in range(depth)
])
# 4. MLP Head
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) # [B, 197, Dim]
x += self.pos_embedding[:, :(n + 1)]
x = self.transformer(x)
# 取 CLS token 输出
return self.mlp_head(x[:, 0])Part 5 (生成模型) 开启预告 ：
我们已经学会了如何识别图像（判别式模型）。现在，我们要尝试扮演"造物主"的角色。
如何让神经网络画出一张世界上不存在的人脸？
自编码器 (Autoencoder) 将是我们的第一站。