Swin Transformer中的PatchEmbed原理及代码说明-优快云博客

本文链接：https://blog.youkuaiyun.com/liuweizj12/article/details/125055096

该博客介绍了如何使用PyTorch实现图像到块嵌入的过程，首先通过4x4的块大小将图像分块，然后应用线性编码（2d卷积）将每个块映射到任意维度，最后进行特征的拉平和维度交换，以准备输入到后续的神经网络模型中。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

1.分块patch partition

use a patch size of 4 × 4 and thus the feature dimension of eachn patch is 4 × 4 × 3 = 48

在这里设置了4 × 4× 3的块的大小，原始图像被分成维度为4 × 4 × 3 = 48的小块。

2.线性编码linear embedding

A linear embedding layer is applied on this raw-valued feature to project it to an arbitrary dimension (denoted as C)

在这里应用了一个线性变换，这个线性变换是一个2d卷积，映射到一个任意的维度，这个维度是2d卷积的结果通道数。这里2d卷积的卷积核大小为块的大小，步长为块的大小。进行线性变换。

3.图例

4.代码

import torch
import torch.nn as nn


class PatchEmbed(nn.Module):
    """ Image to Patch Embedding
    """
    # 第1步：通过patch_size=4，设置块的大小，对原始图像进行分块
    def __init__(self, img_size=224, patch_size=4, in_chans=3, embed_dim=768):
        super().__init__()
        img_size = (img_size, img_size)
        patch_size = (patch_size, patch_size)
        num_patches = (img_size[1] // patch_size[1]) * (img_size[0] // patch_size[0])
        self.img_size = img_size
        self.patch_size = patch_size
        self.num_patches = num_patches

        self.project = nn.Conv2d(in_chans, embed_dim, kernel_size=patch_size, stride=patch_size)

    def forward(self, x):
        B, C, H, W = x.shape
        # FIXME look at relaxing size constraints
        assert H == self.img_size[0] and W == self.img_size[1], \
            f"Input image size ({H}*{W}) doesn't match model ({self.img_size[0]}*{self.img_size[1]})."
        print(x.shape)
        x = self.project(x)  # 第2步：通过2d卷积进行线性变换
        print(x.shape)
        x = x.flatten(2)     # 第3步：拉平生成线性变量
        print(x.shape)
        x = x.transpose(1, 2) # 第4步：块的个数 与 每块的向量维度交换位置
        print(x.shape)
        return x


if __name__ == "__main__":
    x = torch.rand([1, 3, 224, 224])

    model = PatchEmbed()
    y = model(x)
    print(y.shape)