企业官网建设流程全解析

网站查询ip解析,网站开发合同模版,爱字幕app制作视频软件下载,外贸网站分类NaViT是一种创新的可变分辨率视觉Transformer架构#xff0c;通过引入Patch n’ Pack技术#xff0c;将不同图像的多个补丁打包到单个序列中#xff0c;使模型能处理不同分辨率和长宽比的图像#xff0c;无需调整大小或填充。核心创新包括掩码自注意力防止图像…NaViT是一种创新的可变分辨率视觉Transformer架构通过引入Patch n’ Pack技术将不同图像的多个补丁打包到单个序列中使模型能处理不同分辨率和长宽比的图像无需调整大小或填充。核心创新包括掩码自注意力防止图像间标记相互关注、分解位置嵌入支持任意分辨率、以及连续标记丢弃和分辨率采样等训练技术。这种方法解决了传统ViT处理不同尺寸图像时存在的性能损失和计算资源浪费问题。背景面对不同图像大小传统做法ViT是调整图像大小或填充以适应固定输入尺寸但这种做法有严重缺陷调整大小会损害性能扭曲原始信息填充是计算资源的浪费图3清晰展示了这个问题ImageNet中85.9%、LVIS中92.2%和WebLI中57.3%的图像都不是方形的。NaViT的核心Patch n’ PackNaViT的创新点在于将自然语言处理中使用的序列打包(seq packing)技术引入视觉Transformer。它允许模型处理不同分辨率和长宽比的原始图像无需调整大小或填充。关键思想将不同图像的多个补丁打包到单个序列中即Patch n’ Pack让Transformer可以处理可变长度的输入序列。方法详解2.1 架构变化2.1.1 掩码自注意力和掩码池化传统Transformer中序列中所有标记相互关注。但在打包多张图像的序列中我们需要防止不同图像的标记相互关注。解决方案引入额外的自注意力掩码确保每个标记只能关注同属一张图像的其他标记上图清晰展示了这一机制同样掩码池化被引入确保池化操作只在每个示例的标记内部进行从而为序列中的每个示例产生一个向量表示填充标记在注意力和池化过程中被屏蔽不会影响真实数据1. Masked Self Attention掩码自注意力工作原理传统Transformer自注意力计算 时序列中所有位置都可以关注所有其他位置NaViT的掩码自注意力在 计算前应用块对角掩码矩阵确保每个图像内部的token可以自由相互关注不同图像的token完全隔离注意力权重0填充token被完全屏蔽掩码矩阵M的结构如下假设序列包含3张图像M [ [1,1,...,1, 0,0,...,0, 0,0,...,0], # Image1关注Image1 [1,1,...,1, 0,0,...,0, 0,0,...,0], ... [0,0,...,0, 1,1,...,1, 0,0,...,0], # Image2关注Image2 [0,0,...,0, 1,1,...,1, 0,0,...,0], ... [0,0,...,0, 0,0,...,0, 1,1,...,1], # Image3关注Image3 [0,0,...,0, 0,0,...,0, 1,1,...,1]]对于长度为N的序列掩码矩阵是N×N的块对角矩阵每个块的大小等于对应图像的token数量填充token所在行/列全为0实现方式通过创建一个二进制掩码矩阵将不同图像之间的注意力权重设为负无穷# 伪代码示例构建NaViT的注意力掩码def create_attention_mask(packed_sequence, example_boundaries): packed_sequence: 打包后的序列 [seq_length, embedding_dim] example_boundaries: 每个图像在序列中的起始和结束位置 seq_length packed_sequence.shape[0] mask torch.full((seq_length, seq_length), float(-inf)) # 为每个图像创建一个块 for start, end in example_boundaries: # 许可图像内部的关注 mask[start:end, start:end] 0 # 应用于注意力计算attention_score QK^T / sqrt(d) mask return mask2. Masked Pooling掩码池化问题背景在标准ViT中通常使用[CLS]token作为整个图像的表示或对所有patch token进行全局平均池化但在打包序列中每个序列包含多张图像需要为每张图像生成独立的表示传统池化会混合不同图像的特征掩码池化工作原理对序列中每个图像创建掩码只考虑属于同一图像的tokens进行池化每个图像独立产生输出表示# 伪代码示例def masked_pooling(sequence, example_boundaries): pooled_outputs [] for start, end in example_boundaries: # 提取属于同一图像的tokens image_tokens sequence[start:end] # 对这些tokens进行池化例如取平均 pooled torch.mean(image_tokens, dim0) pooled_outputs.append(pooled) return torch.stack(pooled_outputs)这确保每个图像产生独立的表示可以直接用于分类或其他下游任务。2.1.2 分解位置嵌入这是处理任意分辨率和长宽比的关键创新传统ViT的位置嵌入问题对于尺寸R×R的方形图像ViT学习长度为(R/P)²的一维位置嵌入这无法自然适应不同长宽比的图像Pix2Struct的2D绝对位置嵌入学习尺寸为[maxLen, maxLen]的位置嵌入但存在泛化问题——当分辨率超出训练范围时表现不佳NaViT的解决方案分解位置嵌入绝对嵌入 基于绝对补丁索引分数嵌入 基于相对位置( )将(x,y)坐标分解为单独的嵌入和然后通过相加等方式组合:支持两种表示可与多种嵌入函数结合学习嵌入、正弦嵌入或傅里叶嵌入这种分解使模型能够处理任意分辨率的图像并能更好地泛化到训练中未见过的分辨率实验表明比Pix2Struct的2D嵌入表现更好。2.2 训练得益于序列打包能力NaViT引入了两项重要的训练技术2.2.1. 连续标记丢弃(Continuous Token Dropping)传统做法所有示例使用相同比例的标记DroppingNaViT创新每个图像的标记Dropping率可以独立变化优势通过丢弃部分标记加速训练减少计算量仍保留一些完整图像减少训练-推理不一致可在整个训练过程中动态调整丢弃率实验表明随着时间减少丢弃率“Decreasing” schedule可以进一步提高性能图82.2.2. 分辨率采样(Resolution Sampling)NaViT可以使用图像的原始分辨率或在保持长宽比的同时重新采样总像素数关键创新混合分辨率训练——从图像大小分布中采样训练同时保持每个图像的原始长宽比实验证明可变分辨率预训练比固定分辨率表现更好下图分辨率采样策略实验发现直接采样边长而非面积并偏向较低分辨率使用截断的正态分布效果最佳代码实现下面的代码实现是来自于一个非官方实现作为参考3.1. 辅助函数部分from functools import partialfrom typing import List, Unionimport torchimport torch.nn.functional as Ffrom einops import rearrange, repeatfrom torch import Tensor, nnfrom torch.nn.utils.rnn import pad_sequence as orig_pad_sequence# 辅助函数检查值是否存在不为Nonedef exists(val): return val is not None# 辅助函数如果值存在则返回值否则返回默认值def default(val, d): return val if exists(val) else d# 辅助函数总是返回指定的值def always(val): return lambda *args: val# 辅助函数将输入转换为元组如果是单个值则重复两次def pair(t): return t if isinstance(t, tuple) else (t, t)# 辅助函数判断数值是否能被整除def divisible_by(numer, denom): return (numer % denom) 03.2. 图像分组函数def group_images_by_max_seq_len( images: List[Tensor], patch_size: int, calc_token_dropout None, max_seq_len 2048) - List[List[Tensor]]: 根据最大序列长度将图像分组确保每个组的总序列长度不超过最大限制 # 设置默认的令牌丢弃计算函数不丢弃任何令牌 calc_token_dropout default(calc_token_dropout, always(0.)) groups [] # 存储分组结果 group [] # 当前组 seq_len 0 # 当前组的序列长度 # 如果令牌丢弃率是数字则转换为始终返回该值的函数 if isinstance(calc_token_dropout, (float, int)): calc_token_dropout always(calc_token_dropout) for image in images: assert isinstance(image, Tensor) # 确保输入是张量 # 计算图像的高度和宽度 image_dims image.shape[-2:] # 计算补丁的高度和宽度 ph, pw map(lambda t: t // patch_size, image_dims) # 计算图像的序列长度补丁数量 image_seq_len (ph * pw) # 应用令牌丢弃后的真实序列长度 image_seq_len int(image_seq_len * (1 - calc_token_dropout (*image_dims))) # 确保单个图像的序列长度不超过最大限制 assert image_seq_len max_seq_len, fimage with dimensions {image_dims} exceeds maximum sequence length # 如果当前组加上新图像会超过最大序列长度则创建新组 if (seq_len image_seq_len) max_seq_len: groups.append(group) group [] seq_len 0 # 将图像添加到当前组 group.append(image) seq_len image_seq_len # 添加最后一个组如果有图像 if len(group) 0: groups.append(group) return groups3.3. 归一化层# 无偏置的LayerNormPyTorch标准LayerNorm包含偏置但这里不需要class LayerNorm(nn.Module): def __init__(self, dim): super().__init__() self.gamma nn.Parameter(torch.ones(dim)) # 学习的缩放参数 self.register_buffer(beta, torch.zeros(dim)) # 固定的偏置零 def forward(self, x): return F.layer_norm(x, x.shape[-1:], self.gamma, self.beta)# RMSNorm来自ViT-22B论文的查询-键归一化无均值中心化有学习的gammaclass RMSNorm(nn.Module): def __init__(self, heads, dim): super().__init__() self.scale dim ** 0.5 # 缩放因子 self.gamma nn.Parameter(torch.ones(heads, 1, dim)) # 每个头的学 习参数 def forward(self, x): # L2归一化 normed F.normalize(x, dim -1) return normed * self.scale * self.gamma3.4. 前馈网络def FeedForward(dim, hidden_dim, dropout 0.): 前馈网络模块LayerNorm - 线性层 - GELU - Dropout - 线性层 - Dropout return nn.Sequential( LayerNorm(dim), # 层归一化 nn.Linear(dim, hidden_dim), # 第一个线性变换 nn.GELU(), # GELU激活函数 nn.Dropout(dropout), # Dropout nn.Linear(hidden_dim, dim), # 第二个线性变换 nn.Dropout(dropout) # Dropout )3.5. 注意力机制class Attention(nn.Module): def __init__(self, dim, heads 8, dim_head 64, dropout 0.): super().__init__() inner_dim dim_head * heads # 内部维度 self.heads heads # 注意力头数 self.norm LayerNorm(dim) # 输入归一化 # 查询和键的RMS归一化 self.q_norm RMSNorm(heads, dim_head) self.k_norm RMSNorm(heads, dim_head) self.attend nn.Softmax(dim -1) # 注意力权重计算 self.dropout nn.Dropout(dropout) # 注意力权重的Dropout # 线性层查询、键值对 self.to_q nn.Linear(dim, inner_dim, bias False) self.to_kv nn.Linear(dim, inner_dim * 2, bias False) # 输出层 self.to_out nn.Sequential( nn.Linear(inner_dim, dim, bias False), # 输出线性变换 nn.Dropout(dropout) # Dropout ) def forward( self, x, # 输入张量 context None, # 上下文张量如果为None则使用x mask None, # 键掩码 attn_mask None # 注意力掩码 ): x self.norm(x) # 输入归一化 kv_input default(context, x) # 如果没有上下文则使用输入x # 计算查询、键和值 qkv (self.to_q(x), *self.to_kv(kv_input).chunk(2, dim -1)) # 重塑为多头格式 q, k, v map( lambda t: rearrange(t, b n (h d) - b h n d, h self. heads), qkv ) # 查询和键的RMS归一化 q self.q_norm(q) k self.k_norm(k) # 计算注意力分数 dots torch.matmul(q, k.transpose(-1, -2)) # 应用键掩码 if exists(mask): mask rearrange(mask, b j - b 1 1 j) dots dots.masked_fill(~mask, -torch.finfo(dots.dtype).max) # 应用注意力掩码 if exists(attn_mask): dots dots.masked_fill(~attn_mask, -torch.finfo(dots.dtype). max) # 计算注意力权重 attn self.attend(dots) attn self.dropout(attn) # 计算输出 out torch.matmul(attn, v) out rearrange(out, b h n d - b n (h d)) # 重新整形 return self.to_out(out)3.6. Transformer块class Transformer(nn.Module): def __init__(self, dim, depth, heads, dim_head, mlp_dim, dropout 0.): super().__init__() # 创建多个Transformer层 self.layers nn.ModuleList([]) for _ in range(depth): self.layers.append(nn.ModuleList([ Attention(dim, heads heads, dim_head dim_head, dropout dropout), # 注意力层 FeedForward(dim, mlp_dim, dropout dropout) # 前馈网络 ])) self.norm LayerNorm(dim) # 最终归一化 def forward( self, x, # 输入张量 mask None, # 掩码 attn_mask None # 注意力掩码 ): # 通过每个Transformer层 for attn, ff in self.layers: x attn(x, mask mask, attn_mask attn_mask) x # 残差连 接 x ff(x) x # 残差连接 return self.norm(x)3.7. 主模型 NaViTclass NaViT(nn.Module): def __init__( self, *, image_size, # 图像尺寸高度宽度 patch_size, # 补丁尺寸 num_classes, # 分类数量 dim, # 模型维度 depth, # Transformer深度 heads, # 注意力头数 mlp_dim, # MLP隐藏层维度 channels 3, # 通道数默认RGB dim_head 64, # 每个注意力头的维度 dropout 0., # Dropout率 emb_dropout 0., # 嵌入层Dropout率 token_dropout_prob None # 令牌丢弃概率 ): super().__init__() image_height, image_width pair(image_size) # 获取图像高度和宽度 # 令牌丢弃策略如果是函数则直接使用如果是数值则转换为常数函数 self.calc_token_dropout None if callable(token_dropout_prob): self.calc_token_dropout token_dropout_prob elif isinstance(token_dropout_prob, (float, int)): assert 0. token_dropout_prob 1. # 确保概率在0到1之间 token_dropout_prob float(token_dropout_prob) self.calc_token_dropout lambda height, width: token_dropout_prob # 补丁相关计算 assert divisible_by(image_height, patch_size) and divisible_by (image_width, patch_size), Image dimensions must be divisible by the patch size. # 计算补丁的高度和宽度维度 patch_height_dim, patch_width_dim (image_height // patch_size), (image_width // patch_size) # 每个补丁的维度 patch_dim channels * (patch_size ** 2) self.channels channels self.patch_size patch_size # 补丁嵌入层LayerNorm - 线性层 - LayerNorm self.to_patch_embedding nn.Sequential( LayerNorm(patch_dim), nn.Linear(patch_dim, dim), LayerNorm(dim), ) # 2D位置嵌入分别用于高度和宽度 self.pos_embed_height nn.Parameter(torch.randn (patch_height_dim, dim)) self.pos_embed_width nn.Parameter(torch.randn(patch_width_dim, dim)) self.dropout nn.Dropout(emb_dropout) # Transformer主干 self.transformer Transformer(dim, depth, heads, dim_head, mlp_dim, dropout) # 最终注意力池化的查询 self.attn_pool_queries nn.Parameter(torch.randn(dim)) self.attn_pool Attention(dim dim, dim_head dim_head, heads heads) # 输出到logits self.to_latent nn.Identity() self.mlp_head nn.Sequential( LayerNorm(dim), nn.Linear(dim, num_classes, bias False) # 最终分类层无偏 置 ) property def device(self): # 获取模型参数所在的设备 return next(self.parameters()).device def forward( self, batched_images: Union[List[Tensor], List[List[Tensor]]], # 批次 图像假设不同分辨率图像已正确分组 group_images False, # 是否自动分组图像 group_max_seq_len 2048 # 分组的最大序列长度 ): # 获取模型参数 p, c, device, has_token_dropout self.patch_size, self. channels, self.device, exists(self.calc_token_dropout) # 定义辅助函数 arange partial(torch.arange, device device) pad_sequence partial(orig_pad_sequence, batch_first True) # 如果需要自动将图像按最大序列长度分组 if group_images: batched_images group_images_by_max_seq_len( batched_images, patch_size self.patch_size, calc_token_dropout self.calc_token_dropout, max_seq_len group_max_seq_len ) # 将图像处理为可变长度序列并生成注意力掩码 num_images [] # 每个批次中的图像数量 batched_sequences [] # 批次序列 batched_positions [] # 批次位置 batched_image_ids [] # 批次图像ID # 遍历每个批次 for images in batched_images: num_images.append(len(images)) # 记录图像数量 sequences [] # 当前批次的序列 positions [] # 当前批次的位置 # 创建空的图像ID张量 image_ids torch.empty((0,), device device, dtype torch. long) # 遍历批次中的每个图像 for image_id, image in enumerate(images): # 验证图像维度 assert image.ndim 3 and image.shape[0] c image_dims image.shape[-2:] # 验证图像尺寸能被补丁尺寸整除 assert all([divisible_by(dim, p) for dim in image_dims]), fheight and width {image_dims} of images must be divisible by patch size {p} # 计算补丁的高度和宽度 ph, pw map(lambda dim: dim // p, image_dims) # 创建位置网格 pos torch.stack(torch.meshgrid(( arange(ph), arange(pw) ), indexing ij), dim -1) pos rearrange(pos, h w c - (h w) c) # 重塑位置 # 将图像转换为补丁序列 seq rearrange(image, c (h p1) (w p2) - (h w) (c p1 p2), p1 p, p2 p) seq_len seq.shape[-2] # 序列长度 # 如果需要令牌丢弃 if has_token_dropout: token_dropout self.calc_token_dropout (*image_dims) # 计算丢弃率 num_keep max(1, int(seq_len * (1 - token_dropout))) # 计算保留数量 # 随机选择要保留的索引 keep_indices torch.randn((seq_len,), device device).topk(num_keep, dim -1).indices seq seq[keep_indices] # 保留选中的序列 pos pos[keep_indices] # 保留选中的位置 # 更新图像ID image_ids F.pad(image_ids, (0, seq.shape[-2]), value image_id) sequences.append(seq) positions.append(pos) # 将当前批次的数据添加到总批次中 batched_image_ids.append(image_ids) batched_sequences.append(torch.cat(sequences, dim 0)) batched_positions.append(torch.cat(positions, dim 0)) # 生成键填充掩码 lengths torch.tensor([seq.shape[-2] for seq in batched_sequences], device device, dtype torch.long) max_length arange(lengths.amax().item()) key_pad_mask rearrange(lengths, b - b 1) rearrange (max_length, n - 1 n) # 生成注意力掩码并与键填充掩码结合 batched_image_ids pad_sequence(batched_image_ids) attn_mask rearrange(batched_image_ids, b i - b 1 i 1) rearrange(batched_image_ids, b j - b 1 1 j) attn_mask attn_mask rearrange(key_pad_mask, b j - b 1 1 j) # 合并补丁图像以及补丁宽度/高度位置用于2D位置嵌入 patches pad_sequence(batched_sequences) patch_positions pad_sequence(batched_positions) # 需要知道每个批次中有多少图像用于最终注意力池化 num_images torch.tensor(num_images, device device, dtype torch.long) # 补丁嵌入 x self.to_patch_embedding(patches) # 因子化的2D绝对位置嵌入 h_indices, w_indices patch_positions.unbind(dim -1) # 分离高 度和宽度索引 h_pos self.pos_embed_height[h_indices] # 获取高度位置嵌入 w_pos self.pos_embed_width[w_indices] # 获取宽度位置嵌入 x x h_pos w_pos # 添加位置嵌入 # 嵌入Dropout x self.dropout(x) # Transformer处理 x self.transformer(x, attn_mask attn_mask) # 执行注意力池化 max_queries num_images.amax().item() # 最大查询数 # 重复池化查询 queries repeat(self.attn_pool_queries, d - b n d, n max_queries, b x.shape[0]) # 注意力池化掩码 image_id_arange arange(max_queries) attn_pool_mask rearrange(image_id_arange, i - i 1) rearrange(batched_image_ids, b j - b 1 j) attn_pool_mask attn_pool_mask rearrange(key_pad_mask, b j - b 1 j) attn_pool_mask rearrange(attn_pool_mask, b i j - b 1 i j) # 注意力池化 x self.attn_pool(queries, context x, attn_mask attn_pool_mask) queries x rearrange(x, b n d - (b n) d) # 重塑 # 每个批次元素可能有不同的图像数量 is_images image_id_arange rearrange(num_images, b - b 1) is_images rearrange(is_images, b n - (b n)) x x[is_images] # 只保留实际图像的特征 # 投影到潜在空间 x self.to_latent(x) return self.mlp_head(x) # 返回分类logits关键技术点解析可变分辨率支持 模型可以处理不同尺寸的图像这是通过将图像分割成补丁并动态处理序列长度实现的。因子化2D位置嵌入 将2D位置嵌入分解为高度和宽度两个独立的嵌入然后相加。注意力池化 使用可学习的查询向量进行最终的池化操作而不是传统的[CLS]标记。令牌丢弃 根据图像尺寸动态计算令牌丢弃概率提高模型效率。批次处理 支持将不同分辨率的图像分组处理优化计算效率。AI大模型从0到精通全套学习大礼包我在一线互联网企业工作十余年里指导过不少同行后辈。帮助很多人得到了学习和成长。只要你是真心想学AI大模型我这份资料就可以无偿共享给你学习。大模型行业确实也需要更多的有志之士加入进来我也真心希望帮助大家学好这门技术如果日后有什么学习上的问题欢迎找我交流有技术上面的问题我是很愿意去帮助大家的如果你也想通过学大模型技术去帮助就业和转行可以扫描下方链接大模型重磅福利入门进阶全套104G学习资源包免费分享01.从入门到精通的全套视频教程包含提示词工程、RAG、Agent等技术点​02.AI大模型学习路线图还有视频解说全过程AI大模型学习路线​03.学习电子书籍和技术文档市面上的大模型书籍确实太多了这些是我精选出来的04.大模型面试题目详解05.这些资料真的有用吗?这份资料由我和鲁为民博士共同整理鲁为民博士先后获得了北京清华大学学士和美国加州理工学院博士学位在包括IEEE Transactions等学术期刊和诸多国际会议上发表了超过50篇学术论文、取得了多项美国和中国发明专利同时还斩获了吴文俊人工智能科学技术奖。目前我正在和鲁博士共同进行人工智能的研究。所有的视频由智泊AI老师录制且资料与智泊AI共享相互补充。这份学习大礼包应该算是现在最全面的大模型学习资料了。资料内容涵盖了从入门到进阶的各类视频教程和实战项目无论你是小白还是有些技术基础的这份资料都绝对能帮助你提升薪资待遇转行大模型岗位。智泊AI始终秉持着“让每个人平等享受到优质教育资源”的育人理念‌通过动态追踪大模型开发、数据标注伦理等前沿技术趋势‌构建起前沿课程智能实训精准就业的高效培养体系。课堂上不光教理论还带着学员做了十多个真实项目。学员要亲自上手搞数据清洗、模型调优这些硬核操作把课本知识变成真本事‌如果说你是以下人群中的其中一类都可以来智泊AI学习人工智能找到高薪工作一次小小的“投资”换来的是终身受益应届毕业生‌无工作经验但想要系统学习AI大模型技术期待通过实战项目掌握核心技术。零基础转型‌非技术背景但关注AI应用场景计划通过低代码工具实现“AI行业”跨界‌。业务赋能 ‌突破瓶颈传统开发者Java/前端等学习Transformer架构与LangChain框架向AI全栈工程师转型‌。获取方式有需要的小伙伴可以保存图片到wx扫描二v码免费领取【保证100%免费】