文章目录

• 摘要
• 作者简介
• 模型分析
• Input Emb模块
• • to_2tuple函数
  • nn.Conv2d
  • nn.Identity()
  • Input Emb模块源码
• PoolFormerBlock
• PoolFormer
• 总结

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 [2] ，新加坡工程院院士、ACM Fellow、IEEE Fellow、IAPR Fellow、ACM杰出科学家。 [3]
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 = 224b = 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

PoolFormerBlock结构图如下：

从上图可以看出，PoolFormerBlock包括：Norm、Pooling、Channel MLP。输入的参数首先进入Norm，Norm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)

然后输入到Pooling层，Pooling选用nn.AvgPool2d，卷积核大小是3，padding是1，所以输出的维度没有变。

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。

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 torchlayer_scale_init_value=1e-5layer_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。

接下来继续分析MLP的操作。图上的Norm依然是GroupNorm。参数如下：

GroupNorm(1, 64, eps=1e-05, affine=True)# 这里列举的参数是PoolFormer第一个Block的参数。

然后，进入MLP模块。
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=64out_features=Nonehidden_features=Noneout_features = out_features or in_featureshidden_features = hidden_features or in_featuresprint(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)

经过MLP模块后，再和layer_scale_2相乘，这里的layer_scale_2和layer_scale_1是一样的。然后和x融合。
这些参数可以通过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] 0Mlp-14    [-1, 64, 56, 56] 0  Identity-15    [-1, 64, 56, 56] 0  PoolFormerBlock-16    [-1, 64, 56, 56] 0

具体的操作，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()      )

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): PoolFormerBlock( (norm1): GroupNorm(1, 128, eps=1e-05, affine=True) (token_mixer): Pooling(   (pool): AvgPool2d(kernel_size=3, stride=1, padding=1) ) (norm2): GroupNorm(1, 128, eps=1e-05, affine=True) (mlp): Mlp(   (fc1): Conv2d(128, 512, kernel_size=(1, 1), stride=(1, 1))   (act): GELU(approximate='none')   (fc2): Conv2d(512, 128, kernel_size=(1, 1), stride=(1, 1))   (drop): Dropout(p=0.0, inplace=False) ) (drop_path): Identity()      )

第一个PoolFormerBlock的输出为[-1,64,56,56],经过PatchEmbed后输出为[-1,128,28,28],然后进入下一个stage的PoolFormerBlock。
最终在stage4输出一个 [-1, 512, 7, 7] 的特征图。

接下来就是剩下head部分了，head部分包括两个操作。首先将[-1, 512, 7, 7]变成一维的向量，代码如下：

x.mean([-2, -1])

-2代表向量从后面算起，第二个维度，-1是向量从后面算起，第一个维度。我们可以通过下面的代码理解：

x=torch.Tensor(range(0,512*5*7))x=x.reshape(512,5,7)x=x.mean(-2)print(x.shape)x=x.mean(-1)print(x.shape)

输出结果：

torch.Size([512, 7])torch.Size([512])

经过上面的计算，我们就可到了[-1,512]的向量了。然后通过全连接，将其降维或者升维到class的维度。

总结

这篇文章详细的介绍了PoolFormer模型，我是结合论文和官方的代码理解的，如果有不对的地方，欢迎大家指出来。