Hatamizadeh, Ali and Jan Kautz. “MambaVision: A Hybrid Mamba-Transformer Vision Backbone.” ArXiv abs/2407.08083 (2024): n. pag.
1.模型原理
-
关键思路：
-
通过重新设计Mamba的架构和在最终层增加自注意力块，提高了Mamba模型对视觉特征的建模能力，
-
将其与Vision Transformers相结合，形成了MambaVision模型
-
-
实验结果：
分类任务上
比较不同家族的模型：
•基于conv based，
•基于transformer，
•基于conv-transformer
•和mambab based
在ImageNet Top-1的精度和图像吞吐量上最优
-
在目标检测和分割任务上
-
消融分析
这部分得出来的结论是本篇论文的亮点
结论1：连接来自两个分支（即，SSM和非SSM）的输出导致学习更丰富的特征表示并增强全局上下文理解。
结论2：将每个阶段的自注意块数增加到最后N/2层，达到最佳性能。
后面可以看到代码实现也是按照N/2写的。
2.环境配置
最好是新建一个虚环境，之前我配置了mamba、VMamba、vision Mamba的环境用起来都有一大堆报错，懒得去解决，以免解决后导致之前的项目又出问题。
1.conda create -n mambavision python=3.10
2.conda install pytorch==2.4.0 torchvision==0.19.0 torchaudio==2.4.0 pytorch-cuda=11.8 -c pytorch -c nvidia
3.下载causal_conv1d：https://github.com/Dao-AILab/causal-conv1d/releases
causal_conv1d-1.4.0+cu118torch2.4cxx11abiFALSE-cp310-cp310-linux_x86_64.whl
pip install causal_conv1d-1.4.0+cu118torch2.4cxx11abiFALSE-cp310-cp310-linux_x86_64.whl
4.下载 Mamba-ssmm https://github.com/state-spaces/mamba/releases/tag/v1.2.2
pip install mamba_ssm-1.2.2+cu118torch2.4cxx11abiFALSE-cp310-cp310-linux_x86_64.whl
5.安装timm
pip install timm
测试模型在环境下是否工作正常
import torch
from timm.models import create_model, load_checkpoint
import argparse
import warnings
warnings.filterwarnings("ignore")
parser = argparse.ArgumentParser()
parser.add_argument('--model', '-m', metavar='NAME', default='mamba_vision_T', help='model architecture (default: mamba_vision_T)')
parser.add_argument('--checkpoint', default='', type=str, metavar='PATH',help='path to latest checkpoint (default: none)')
parser.add_argument('--use_pip', action='store_true', default=False, help='to use pip package')
args = parser.parse_args()
# Define mamba_vision_T model with 224 x 224 resolution
if args.use_pip:
from mambavision import create_model
model = create_model(args.model, pretrained=True, model_path="/tmp/mambavision_tiny_1k.pth.tar")
else:
from models.mamba_vision import *
model = create_model(args.model)
if args.checkpoint:
load_checkpoint(model, args.checkpoint, None)
print('{} model succesfully created !'.format(args.model))
image = torch.rand(1, 3, 754, 234).cuda() # place image on cuda
model = model.cuda() # place model on cuda
output = model(image) # output logit size is [1, 1000]
print(output.shape)
print('Inference succesfully completed on dummy input !')
输出：
mamba_vision_T model succesfully created !
torch.Size([1, 1000])
Inference succesfully completed on dummy input !
3.模型代码详细注释
代码取自论文作者源码的modes/mamba_vision.py
从源码上看代码实现相比以往的视觉mamba而言简化很多
- window_partition：实现图像分块，直接reshape变形，没有像以往通过卷积来实现
- Downsample：用卷积实现，分辨率减半，通道数翻倍
- PatchEmbed：通过两次卷积将输入图像分辨率变为原来的 1 4 \frac{1}{4} 41，通道数转变为给定的dim参数（默认96）,这种方式与以往的patch embedding方式实现也不一样
- ConvBlock：由两个卷积层组成的纯卷积块，添加了layer_scale和drop_path
- MambaVisionMixer：原始的mamba块
- Attention：实现了Transformer的self-attention部分
- Block：根据参数选择用Attention中的Transformer还是MambaVisionMixer中的Mamba
- MambaVisionLayer:构成每个阶段中每一层的具体块，根据conv参数确定是用ConvBlock还是Block中的Transformer或者Mamba
- MambaVision:最终的模型类。其中第0阶段和第1阶段用的是卷积，后面的阶段由MambaVisionLayer构成（阶段内部后半部分是transformer,见代码
transformer_blocks=list(range(depths[i]//2+1, depths[i])) if depths[i]%2!=0 else list(range(depths[i]//2, depths[i])）
def window_partition(x, window_size):
"""
Args:
x: (B, C, H, W)
window_size: window size
h_w: Height of window
w_w: Width of window
Returns:
local window features (num_windows*B, window_size*window_size, C)
"""
B, C, H, W = x.shape
x = x.view(B, C, H // window_size, window_size, W // window_size, window_size)
windows = x.permute(0, 2, 4, 3, 5, 1).reshape(-1, window_size*window_size, C)
return windows
def window_reverse(windows, window_size, H, W):
"""
Args:
windows: local window features (num_windows*B, window_size, window_size, C)
window_size: Window size
H: Height of image
W: Width of image
Returns:
x: (B, C, H, W)
"""
B = int(windows.shape[0] / (H * W / window_size / window_size))
x = windows.reshape(B, H // window_size, W // window_size, window_size, window_size, -1)
x = x.permute(0, 5, 1, 3, 2, 4).reshape(B,windows.shape[2], H, W)
return x
def _load_state_dict(module, state_dict, strict=False, logger=None):
"""Load state_dict to a module.
This method is modified from :meth:`torch.nn.Module.load_state_dict`.
Default value for ``strict`` is set to ``False`` and the message for
param mismatch will be shown even if strict is False.
Args:
module (Module): Module that receives the state_dict.
state_dict (OrderedDict): Weights.
strict (bool): whether to strictly enforce that the keys
in :attr:`state_dict` match the keys returned by this module's
:meth:`~torch.nn.Module.state_dict` function. Default: ``False``.
logger (:obj:`logging.Logger`, optional): Logger to log the error
message. If not specified, print function will be used.
"""
# 定义一个函数，用于将状态字典（state_dict）加载到指定的模块（module）中
# 这个函数修改自torch.nn.Module.load_state_dict方法
# 默认情况下，strict参数设置为False，即使strict为False，也会显示参数不匹配的消息
# 参数说明：
# module (Module): 接收状态字典的模块
# state_dict (OrderedDict): 权重字典
# strict (bool): 是否严格确保state_dict中的键与模块state_dict函数返回的键匹配，默认为False
# logger (logging.Logger, 可选): 记录错误信息的日志器，如果没有指定，则使用print函数
unexpected_keys = [] # 用于存储状态字典中多余的键
all_missing_keys = [] # 用于存储状态字典中缺失的键
err_msg = [] # 用于存储错误信息
# 获取状态字典的元数据
metadata = getattr(state_dict, '_metadata', None)
state_dict = state_dict.copy() # 复制状态字典以避免修改原始字典
if metadata is not None:
state_dict._metadata = metadata # 如果有元数据，则复制元数据
def load(module, prefix=''):
# 定义一个内部函数，用于递归加载模块的状态字典
local_metadata = {} if metadata is None else metadata.get(
prefix[:-1], {}) # 获取当前模块的元数据
module._load_from_state_dict(state_dict, prefix, local_metadata, True,
all_missing_keys, unexpected_keys,
err_msg) # 加载当前模块的状态字典
for name, child in module._modules.items(): # 递归加载子模块的状态字典
if child is not None:
load(child, prefix + name + '.')
load(module) # 调用内部函数开始加载状态字典
load = None # 加载完成后，将内部函数设置为None，避免后续调用
# 过滤掉num_batches_tracked相关的缺失键，因为这些键通常不是模型的关键部分
missing_keys = [
key for key in all_missing_keys if 'num_batches_tracked' not in key
]
# 如果有多余的键，则添加错误信息
if unexpected_keys:
err_msg.append('unexpected key in source '
f'state_dict: {", ".join(unexpected_keys)}\n')
# 如果有缺失的键，则添加错误信息
if missing_keys:
err_msg.append(
f'missing keys in source state_dict: {", ".join(missing_keys)}\n')
# 如果有错误信息，则组合错误信息并根据strict参数和logger参数决定如何处理
if len(err_msg) > 0:
err_msg.insert(
0, 'The model and loaded state dict do not match exactly\n')
err_msg = '\n'.join(err_msg) # 组合所有错误信息
if strict: # 如果strict为True，则抛出异常
raise RuntimeError(err_msg)
elif logger is not None: # 如果有logger，则使用logger记录错误信息
logger.warning(err_msg)
else:
print(err_msg) # 如果没有logger，则使用print函数打印错误信息
def _load_checkpoint(model,
filename,
map_location='cpu',
strict=False,
logger=None):
"""Load checkpoint from a file or URI.
Args:
model (Module): Module to load checkpoint.
filename (str): Accept local filepath, URL, ``torchvision://xxx``,
``open-mmlab://xxx``. Please refer to ``docs/model_zoo.md`` for
details.
map_location (str): Same as :func:`torch.load`.
strict (bool): Whether to allow different params for the model and
checkpoint.
logger (:mod:`logging.Logger` or None): The logger for error message.
Returns:
dict or OrderedDict: The loaded checkpoint.
"""
checkpoint = torch.load(filename, map_location=map_location)
if not isinstance(checkpoint, dict):
raise RuntimeError(
f'No state_dict found in checkpoint file {filename}')
if 'state_dict' in checkpoint:
state_dict = checkpoint['state_dict']
elif 'model' in checkpoint:
state_dict = checkpoint['model']
else:
state_dict = checkpoint
if list(state_dict.keys())[0].startswith('module.'):
state_dict = {k[7:]: v for k, v in state_dict.items()}
if sorted(list(state_dict.keys()))[0].startswith('encoder'):
state_dict = {k.replace('encoder.', ''): v for k, v in state_dict.items() if k.startswith('encoder.')}
_load_state_dict(model, state_dict, strict, logger)
return checkpoint
class Downsample(nn.Module):
"""
Down-sampling block"
下采样模块。
"""
def __init__(self,
dim,
keep_dim=False,
):
"""
Args:
dim: feature size dimension.
norm_layer: normalization layer.
keep_dim: bool argument for maintaining the resolution.
参数:
dim (int): 输入特征的维度。
keep_dim (bool): 是否保持维度不变。如果为True，则输出维度与输入维度相同；
如果为False，则输出维度是输入维度的两倍。
"""
super().__init__()
if keep_dim:
dim_out = dim
else:
dim_out = 2 * dim
self.reduction = nn.Sequential(
nn.Conv2d(dim, dim_out, 3, 2, 1, bias=False),
)
def forward(self, x):
x = self.reduction(x)
return x
class PatchEmbed(nn.Module):
"""
Patch embedding block"
"""
def __init__(self, in_chans=3, in_dim=64, dim=96):
"""
Args:
in_chans: number of input channels.
dim: feature size dimension.
"""
# in_dim = 1
super().__init__()
self.proj = nn.Identity()
self.conv_down = nn.Sequential(
nn.Conv2d(in_chans, in_dim, 3, 2, 1, bias=False),
nn.BatchNorm2d(in_dim, eps=1e-4),
nn.ReLU(),
nn.Conv2d(in_dim, dim, 3, 2, 1, bias=False),
nn.BatchNorm2d(dim, eps=1e-4),
nn.ReLU()
)
def forward(self, x):
x = self.proj(x)
x = self.conv_down(x)
return x
class ConvBlock(nn.Module):
"""
卷积块。
这个类定义了一个包含两个卷积层的神经网络模块，通常用于深度学习中的图像处理任务。
该模块还包括批量归一化、激活函数和可选的层缩放（layer scaling）。
Attributes:
conv1 (nn.Conv2d): 第一个卷积层。
norm1 (nn.BatchNorm2d): 第一个批量归一化层。
act1 (nn.GELU): 第一个激活函数，使用GELU。
conv2 (nn.Conv2d): 第二个卷积层。
norm2 (nn.BatchNorm2d): 第二个批量归一化层。
gamma (nn.Parameter): 层缩放参数，如果layer_scale为True，则使用。
drop_path (nn.Module): 随机丢弃路径，用于训练时的正则化。
"""
def __init__(self, dim,
drop_path=0.,
layer_scale=None,
kernel_size=3):
super().__init__()
self.conv1 = nn.Conv2d(dim, dim, kernel_size=kernel_size, stride=1, padding=1)
self.norm1 = nn.BatchNorm2d(dim, eps=1e-5)
self.act1 = nn.GELU(approximate= 'tanh') # 激活函数，使用GELU的近似实现
self.conv2 = nn.Conv2d(dim, dim, kernel_size=kernel_size, stride=1, padding=1)
self.norm2 = nn.BatchNorm2d(dim, eps=1e-5)
self.layer_scale = layer_scale
# 如果layer_scale不为None且为数字类型
if layer_scale is not None and type(layer_scale) in [int, float]:
# 初始化层缩放参数
self.gamma = nn.Parameter(layer_scale * torch.ones(dim))
# 设置layer_scale为True
self.layer_scale = True
else:
self.layer_scale = False
self.drop_path = DropPath(drop_path) if drop_path > 0. else nn.Identity()
def forward(self, x):
input = x
x = self.conv1(x)
x = self.norm1(x)
x = self.act1(x)
x = self.conv2(x)
x = self.norm2(x)
if self.layer_scale: # 层缩放
x = x * self.gamma.view(1, -1, 1, 1)
x = input + self.drop_path(x) # 残差连接和随机丢弃路径
return x
class MambaVisionMixer(nn.Module):
"""
MambaVisionMixer是一个神经网络模块，它结合了Transformer和卷积网络的特点，
用于处理序列数据。它通过将输入数据投影到一个高维空间，然后应用一系列的卷积和注
意力机制，最后将结果投影回原始空间。
"""
def __init__(
self,
d_model,
d_state=16,
d_conv=4,
expand=2,
dt_rank="auto",
dt_min=0.001,
dt_max=0.1,
dt_init="random",
dt_scale=1.0,
dt_init_floor=1e-4,
conv_bias=True,
bias=False,
use_fast_path=True,
layer_idx=None,
device=None,
dtype=None,
):
# 初始化一些基本参数和设备信息
factory_kwargs = {"device": device, "dtype": dtype}
super().__init__()
# 模型的维度参数
self.d_model = d_model
self.d_state = d_state
self.d_conv = d_conv
self.expand = expand
# 扩展后的内部维度
self.d_inner = int(self.expand * self.d_model)
# 确定时间步（dt）的秩，自动计算或者用户指定
self.dt_rank = math.ceil(self.d_model / 16) if dt_rank == "auto" else dt_rank
self.use_fast_path = use_fast_path
self.layer_idx = layer_idx
# 输入投影，将输入投影到一个高维空间
self.in_proj = nn.Linear(self.d_model, self.d_inner, bias=bias, **factory_kwargs)
# x_proj用于计算时间步和状态参数
self.x_proj = nn.Linear(
self.d_inner//2, self.dt_rank + self.d_state * 2, bias=False, **factory_kwargs
)
# dt_proj用于从时间步投影回高维空间
self.dt_proj = nn.Linear(self.dt_rank, self.d_inner//2, bias=True, **factory_kwargs)
# 根据初始化类型初始化权重
dt_init_std = self.dt_rank**-0.5 * dt_scale
if dt_init == "constant":
nn.init.constant_(self.dt_proj.weight, dt_init_std)
elif dt_init == "random":
nn.init.uniform_(self.dt_proj.weight, -dt_init_std, dt_init_std)
else:
raise NotImplementedError
# 初始化时间步（dt）并进行指数映射
dt = torch.exp(
torch.rand(self.d_inner//2, **factory_kwargs) * (math.log(dt_max) - math.log(dt_min))
+ math.log(dt_min)
).clamp(min=dt_init_floor)
# 计算反向时间步（inv_dt），并在没有梯度的情况下复制到dt_proj的偏置项中
inv_dt = dt + torch.log(-torch.expm1(-dt))
with torch.no_grad():
self.dt_proj.bias.copy_(inv_dt)
self.dt_proj.bias._no_reinit = True
# 创建参数A
A = repeat(
torch.arange(1, self.d_state + 1, dtype=torch.float32, device=device),
"n -> d n",
d=self.d_inner//2,
).contiguous()
# 创建参数A，表示状态的顺序
A_log = torch.log(A)
self.A_log = nn.Parameter(A_log)
self.A_log._no_weight_decay = True
# 初始化D参数，用于控制输出
self.D = nn.Parameter(torch.ones(self.d_inner//2, device=device))
self.D._no_weight_decay = True
self.out_proj = nn.Linear(self.d_inner, self.d_model, bias=bias, **factory_kwargs)
# 定义两个卷积层用于处理x和z
self.conv1d_x = nn.Conv1d(
in_channels=self.d_inner//2,
out_channels=self.d_inner//2,
bias=conv_bias//2,
kernel_size=d_conv,
groups=self.d_inner//2,
**factory_kwargs,
)
self.conv1d_z = nn.Conv1d(
in_channels=self.d_inner//2,
out_channels=self.d_inner//2,
bias=conv_bias//2,
kernel_size=d_conv,
groups=self.d_inner//2,
**factory_kwargs,
)
def forward(self, hidden_states):
"""
前向传播函数
参数:
hidden_states: (B, L, D) 表示输入的批次大小、序列长度和特征维度
返回:
与输入形状相同的输出 (B, L, D)
"""
# 获取输入张量的形状信息
_, seqlen, _ = hidden_states.shape
# 将输入投影到高维
xz = self.in_proj(hidden_states)
# 调整维度以适应卷积操作
xz = rearrange(xz, "b l d -> b d l")
# 将投影后的结果分成x和z两部分
x, z = xz.chunk(2, dim=1)
# 计算A参数，负指数映射
A = -torch.exp(self.A_log.float())
# 对x和z分别应用激活函数和卷积操作
x = F.silu(F.conv1d(input=x, weight=self.conv1d_x.weight, bias=self.conv1d_x.bias, padding='same', groups=self.d_inner//2))
z = F.silu(F.conv1d(input=z, weight=self.conv1d_z.weight, bias=self.conv1d_z.bias, padding='same', groups=self.d_inner//2))
# 对x进行投影，得到时间步(dt)、状态B和C
x_dbl = self.x_proj(rearrange(x, "b d l -> (b l) d"))
dt, B, C = torch.split(x_dbl, [self.dt_rank, self.d_state, self.d_state], dim=-1)
# 将dt投影回原始维度
dt = rearrange(self.dt_proj(dt), "(b l) d -> b d l", l=seqlen)
# 调整B和C的形状以进行后续操作
B = rearrange(B, "(b l) dstate -> b dstate l", l=seqlen).contiguous()
C = rearrange(C, "(b l) dstate -> b dstate l", l=seqlen).contiguous()
# 使用选择性的扫描函数对x进行处理
y = selective_scan_fn(x,
dt,
A,
B,
C,
self.D.float(),
z=None,
delta_bias=self.dt_proj.bias.float(),
delta_softplus=True,
return_last_state=None)
# 将y和z沿着特征维度拼接
y = torch.cat([y, z], dim=1)
# 调整输出形状
y = rearrange(y, "b d l -> b l d")
# 将结果投影回原始空间
out = self.out_proj(y)
return out
class Attention(nn.Module):
"""
注意力模块。
这个类定义了一个自注意力（Self-Attention）机制的实现，它允许模型在序列的不同位置关注不同的信息。
自注意力机制是Transformer架构中的关键组件。
Attributes:
num_heads (int): 注意力头的数量。
head_dim (int): 每个注意力头的维度。
scale (float): 缩放因子，用于缩放点积注意力的输出。
qkv (nn.Linear): 线性层，用于计算查询（Q）、键（K）和值（V）。
q_norm (nn.LayerNorm or nn.Identity): 应用于查询的归一化层。
k_norm (nn.LayerNorm or nn.Identity): 应用于键的归一化层。
attn_drop (nn.Dropout): 注意力权重的dropout层。
proj (nn.Linear): 线性层，用于将注意力的输出投影回原始空间。
proj_drop (nn.Dropout): 输出的dropout层。
"""
def __init__(
self,
dim,
num_heads=8,
qkv_bias=False,
qk_norm=False,
attn_drop=0.,
proj_drop=0.,
norm_layer=nn.LayerNorm,
):
super().__init__()
# 确保维度可以被注意力头数整除
assert dim % num_heads == 0
self.num_heads = num_heads
self.head_dim = dim // num_heads
self.scale = self.head_dim ** -0.5
self.fused_attn = True
# 计算Q、K、V的线性层
self.qkv = nn.Linear(dim, dim * 3, bias=qkv_bias)
self.q_norm = norm_layer(self.head_dim) if qk_norm else nn.Identity()
self.k_norm = norm_layer(self.head_dim) if qk_norm else nn.Identity()
self.attn_drop = nn.Dropout(attn_drop)
self.proj = nn.Linear(dim, dim)
self.proj_drop = nn.Dropout(proj_drop)
def forward(self, x):
"""
前向传播方法。
通过注意力模块对输入特征进行处理。
参数:
x (Tensor): 输入特征，形状为(B, N, C)，其中B是批次大小，N是序列长度，C是特征维度。
返回:
Tensor: 输出特征，形状与输入相同。
"""
B, N, C = x.shape
# 计算Q、K、V并重排
qkv = self.qkv(x).reshape(B, N, 3, self.num_heads, self.head_dim).permute(2, 0, 3, 1, 4)
# 分割Q、K、V
q, k, v = qkv.unbind(0)
# 对Q、K进行归一化
q, k = self.q_norm(q), self.k_norm(k)
if self.fused_attn: # 如果使用融合的注意力计算
# 就是缩放点积注意力，只是这个是Pytorch框架提供的
# else分支的是自己实现的
x = F.scaled_dot_product_attention(
q, k, v,
dropout_p=self.attn_drop.p,
)
else: # 如果不使用融合的注意力计算,就是最原始的self-attention
q = q * self.scale # 计算注意力权重
attn = q @ k.transpose(-2, -1) # 归一化注意力权重
attn = attn.softmax(dim=-1) # 对注意力权重进行dropout
attn = self.attn_drop(attn) # 计算注意力输出
x = attn @ v # 计算注意力输出
x = x.transpose(1, 2).reshape(B, N, C) # 重排和重塑输出
x = self.proj(x) # 输出投影
x = self.proj_drop(x) # 对输出进行dropout
return x
class Block(nn.Module):
"""
模型基本块，根据counter值确定用transformer还是Mamba。
这个类定义了一个Transformer块，它结合了自注意力机制和多层感知机（MLP），用于处理序列数据。
该块可以用于构建Transformer模型的各种变体。
Attributes:
norm1 (nn.Module): 第一个归一化层。
mixer (nn.Module): 自注意力或MambaVisionMixer模块，用于处理输入数据。
drop_path (nn.Module): DropPath正则化层。
norm2 (nn.Module): 第二个归一化层。
mlp (nn.Module): 多层感知机模块，用于处理输入数据。
gamma_1 (nn.Parameter or float): 第一个层缩放参数。
gamma_2 (nn.Parameter or float): 第二个层缩放参数。
"""
def __init__(self,
dim,
num_heads,
counter,
transformer_blocks,
mlp_ratio=4.,
qkv_bias=False,
qk_scale=False,
drop=0.,
attn_drop=0.,
drop_path=0.,
act_layer=nn.GELU,
norm_layer=nn.LayerNorm,
Mlp_block=Mlp,
layer_scale=None,
):
super().__init__()
self.norm1 = norm_layer(dim)
# 根据计数器和Transformer块的列表决定使用自注意力
# 还是MambaVisionMixer
if counter in transformer_blocks:
self.mixer = Attention(
dim,
num_heads=num_heads,
qkv_bias=qkv_bias,
qk_norm=qk_scale,
attn_drop=attn_drop,
proj_drop=drop,
norm_layer=norm_layer,
)
else:
self.mixer = MambaVisionMixer(d_model=dim,
d_state=8,
d_conv=3,
expand=1
)
# DropPath正则化层
self.drop_path = DropPath(drop_path) if drop_path > 0. else nn.Identity()
self.norm2 = norm_layer(dim)
# 计算MLP的隐藏层维度
mlp_hidden_dim = int(dim * mlp_ratio)
self.mlp = Mlp_block(in_features=dim, hidden_features=mlp_hidden_dim, act_layer=act_layer, drop=drop)
# 判断是否使用层缩放
use_layer_scale = layer_scale is not None and type(layer_scale) in [int, float]
# 第一个层缩放参数
self.gamma_1 = nn.Parameter(layer_scale * torch.ones(dim)) if use_layer_scale else 1
# 第二个层缩放参数
self.gamma_2 = nn.Parameter(layer_scale * torch.ones(dim)) if use_layer_scale else 1
def forward(self, x):
# 第一个分支：自注意力或MambaVisionMixer + DropPath + 层缩放
x = x + self.drop_path(self.gamma_1 * self.mixer(self.norm1(x)))
# 第二个分支：MLP + DropPath + 层缩放
x = x + self.drop_path(self.gamma_2 * self.mlp(self.norm2(x)))
return x
class MambaVisionLayer(nn.Module):
"""
MambaVision层。
这个类定义了一个MambaVision层，它结合了卷积块和Transformer块，用于处理图像或特征图数据。
该层可以用于构建MambaVision模型的不同阶段。
Attributes:
conv (bool): 是否使用卷积块。
transformer_block (bool): 是否使用Transformer块。
blocks (nn.ModuleList): 包含卷积块或Transformer块的列表。
downsample (nn.Module or None): 下采样模块，如果不需要下采样则为None。
do_gt (bool): 是否进行全局池化，目前未用。
window_size (int): 窗口大小。
"""
def __init__(self,
dim,
depth,
num_heads,
window_size,
conv=False,
downsample=True,
mlp_ratio=4.,
qkv_bias=True,
qk_scale=None,
drop=0.,
attn_drop=0.,
drop_path=0.,
layer_scale=None,
layer_scale_conv=None,
transformer_blocks = [],
):
"""
初始化MambaVision层。
参数:
dim (int): 输入数据的维度。
depth (int): 每个阶段的层数。
num_heads (int): 每个阶段的注意力头数。
window_size (int): 每个阶段的窗口大小。
conv (bool): 是否使用卷积块，默认为False。
downsample (bool): 是否进行下采样，默认为True。
mlp_ratio (float): MLP的隐藏层维度与输入维度的比率，默认为4.0。
qkv_bias (bool): 是否在QKV线性层中使用偏置项，默认为True。
qk_scale (bool): 是否对QKV进行缩放，默认为None。
drop (float): dropout概率，默认为0.0。
attn_drop (float): 注意力权重的dropout概率，默认为0.0。
drop_path (float or list): DropPath正则化的概率，默认为0.0。
layer_scale (float or None): 层缩放的缩放因子，默认为None。
layer_scale_conv (float or None): 卷积层缩放的缩放因子，默认为None。
transformer_blocks (list): 包含Transformer块的列表，默认为空。
"""
super().__init__()
self.conv = conv
self.transformer_block = False
if conv: # 如果使用卷积块，则创建一个卷积块列表
self.blocks = nn.ModuleList([ConvBlock(dim=dim,
drop_path=drop_path[i] if isinstance(drop_path, list) else drop_path,
layer_scale=layer_scale_conv)
for i in range(depth)])
self.transformer_block = False
else: # 如果不使用卷积块，则创建一个Transformer和mamba混合块列表
self.blocks = nn.ModuleList([Block(dim=dim,
counter=i,
transformer_blocks=transformer_blocks,
num_heads=num_heads,
mlp_ratio=mlp_ratio,
qkv_bias=qkv_bias,
qk_scale=qk_scale,
drop=drop,
attn_drop=attn_drop,
drop_path=drop_path[i] if isinstance(drop_path, list) else drop_path,
layer_scale=layer_scale)
for i in range(depth)])
self.transformer_block = True
# 如果需要下采样，则创建一个下采样模块
self.downsample = None if not downsample else Downsample(dim=dim)
self.do_gt = False # 目前未使用
self.window_size = window_size # 窗口大小
def forward(self, x):
_, _, H, W = x.shape # 获取输入特征的维度
if self.transformer_block:
# 如果使用Transformer块，则进行窗口划分
pad_r = (self.window_size - W % self.window_size) % self.window_size
pad_b = (self.window_size - H % self.window_size) % self.window_size
if pad_r > 0 or pad_b > 0:
# 如果需要，则对输入特征进行填充
# (padding_left, padding_right, padding_top, padding_bottom)
x = torch.nn.functional.pad(x, (0,pad_r,0,pad_b))
_, _, Hp, Wp = x.shape
else:
Hp, Wp = H, W
# 进行窗口划分
# ->(num_windows*B, window_size*window_size, C)
x = window_partition(x, self.window_size)
# 遍历每个块，并对输入特征进行处理
for _, blk in enumerate(self.blocks):
x = blk(x)
if self.transformer_block:
# 如果使用Transformer块，则进行窗口反向
x = window_reverse(x, self.window_size, Hp, Wp)
if pad_r > 0 or pad_b > 0:
# 如果需要，则去除填充
x = x[:, :, :H, :W].contiguous()
if self.downsample is None:
return x # 如果不需要下采样，则返回输出特征
return self.downsample(x) # 如果需要下采样，则进行下采样并返回输出特征
class MambaVision(nn.Module):
"""
MambaVision模型。
这是一个深度学习模型，用于处理图像数据，通常用于图像分类任务。
模型结合了卷积层和Transformer架构的特点，通过多个阶段的处理来提取图像特征。
Attributes:
num_classes (int): 类别数。
patch_embed (PatchEmbed): 补丁嵌入模块，用于将输入图像划分为补丁并进行嵌入。
levels (nn.ModuleList): 包含多个MambaVisionLayer的列表，每个阶段一个。
norm (nn.BatchNorm2d): 批量归一化层。
avgpool (nn.AdaptiveAvgPool2d): 自适应平均池化层。
head (nn.Linear or nn.Identity): 输出层，如果num_classes大于0，则为线性层，否则为恒等映射。
"""
def __init__(self,
dim,
in_dim,
depths,
window_size,
mlp_ratio,
num_heads,
drop_path_rate=0.2,
in_chans=3,
num_classes=1000,
qkv_bias=True,
qk_scale=None,
drop_rate=0.,
attn_drop_rate=0.,
layer_scale=None,
layer_scale_conv=None,
**kwargs):
"""
初始化MambaVision模型。
参数:
dim (int): 特征维度。
in_dim (int): 输入维度。
depths (list): 每个阶段的层数。
window_size (list): 每个阶段的窗口大小。
mlp_ratio (float): MLP比率。
num_heads (list): 每个阶段的注意力头数。
drop_path_rate (float): DropPath比率，默认为0.2。
in_chans (int): 输入通道数，默认为3。
num_classes (int): 类别数，默认为1000。
qkv_bias (bool): 是否使用QKV偏置，默认为True。
qk_scale (bool): 是否对QK进行缩放，默认为None。
drop_rate (float): Dropout比率，默认为0.0。
attn_drop_rate (float): 注意力Dropout比率，默认为0.0。
layer_scale (float or None): 层缩放系数，默认为None。
layer_scale_conv (float or None): 卷积层缩放系数，默认为None。
"""
super().__init__()
num_features = int(dim * 2 ** (len(depths) - 1))
self.num_classes = num_classes
# 补丁嵌入模块
self.patch_embed = PatchEmbed(in_chans=in_chans, in_dim=in_dim, dim=dim)
# 计算DropPath比率
dpr = [x.item() for x in torch.linspace(0, drop_path_rate, sum(depths))]
self.levels = nn.ModuleList() # 创建一个模块列表来存储每个阶段
for i in range(len(depths)):
# 第一和第二阶段使用卷积
conv = True if (i == 0 or i == 1) else False
level = MambaVisionLayer(dim=int(dim * 2 ** i),
depth=depths[i],
num_heads=num_heads[i],
window_size=window_size[i],
mlp_ratio=mlp_ratio,
qkv_bias=qkv_bias,
qk_scale=qk_scale,
conv=conv,
drop=drop_rate,
attn_drop=attn_drop_rate,
drop_path=dpr[sum(depths[:i]):sum(depths[:i + 1])],
downsample=(i < 3),
layer_scale=layer_scale,
layer_scale_conv=layer_scale_conv,
transformer_blocks=list(range(depths[i]//2+1, depths[i])) if depths[i]%2!=0 else list(range(depths[i]//2, depths[i])),
) # 每个阶段的后半部分使用transformer blocks
self.levels.append(level)
self.norm = nn.BatchNorm2d(num_features)
self.avgpool = nn.AdaptiveAvgPool2d(1)
self.head = nn.Linear(num_features, num_classes) if num_classes > 0 else nn.Identity()
self.apply(self._init_weights)
def _init_weights(self, m):
if isinstance(m, nn.Linear):
trunc_normal_(m.weight, std=.02)
if isinstance(m, nn.Linear) and m.bias is not None:
nn.init.constant_(m.bias, 0)
elif isinstance(m, nn.LayerNorm):
nn.init.constant_(m.bias, 0)
nn.init.constant_(m.weight, 1.0)
elif isinstance(m, LayerNorm2d):
nn.init.constant_(m.bias, 0)
nn.init.constant_(m.weight, 1.0)
elif isinstance(m, nn.BatchNorm2d):
nn.init.ones_(m.weight)
nn.init.zeros_(m.bias)
@torch.jit.ignore
def no_weight_decay_keywords(self):
return {'rpb'}
def forward_features(self, x):
x = self.patch_embed(x)
for level in self.levels:
x = level(x)
x = self.norm(x)
x = self.avgpool(x)
x = torch.flatten(x, 1)
return x
def forward(self, x):
x = self.forward_features(x)
x = self.head(x)
return x
def _load_state_dict(self,
pretrained,
strict: bool = False):
_load_checkpoint(self,
pretrained,
strict=strict)
扫一扫
2万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
