知识卡片
卷积核完成分块嵌入
分块与线性投影可以用一次卷积完成。取卷积核大小等于步幅、都等于块边长,卷积在图像上滑动时每次恰好覆盖一个不重叠的块,既不重叠也不遗漏;把输出通道数设为嵌入维度,卷积核的每个输出通道就相当于一组投影权重。于是“切块—展平—矩阵乘”三步被压缩成一次卷积运算,输出的特征图在空间上正好是块网格,通道方向就是嵌入向量。这样写的好处是代码简洁、复用成熟算子,投影权重还能随训练更新;位置上的规律性也由步幅天然保证。代价是块大小被卷积核锁死,改变分块粒度就要改网络结构,无法像切图那样临时调整,见[[图像切块成序列]]。
这张卡片看不懂?
这张卡片已通过人工审查,不再接受失败反馈。
已有反馈 · 0 条
还没有人提交反馈。
在整书笔记中的位置
原书出处 · 1 处
- ViT模型 · 查看原书依据
(1)PatchEmbedding:将图像划分为不重叠的子块,并通过卷积操作将每个子块转换为嵌入向量。子块大小为patch_size,嵌入大小为embed_size。卷积核大小与步幅均为patch_size,使得卷积后的特征图直接映射到embed_size维空间。
参考来源
- 位置:《从零构建大模型:算法、训练与微调》第4章《ViT模型》(源文件:extracted/从零构建大模型:算法、训练与微调/_epub-src/EPUB/xhtml/chapter008_0001.xhtml)
- 结论依据:原文解析 PatchEmbedding 时说明用卷积把子块转为嵌入,且卷积核大小与步幅都设为块大小,使特征图直接映射到嵌入维空间。
- 原始内容:(1)PatchEmbedding:将图像划分为不重叠的子块,并通过卷积操作将每个子块转换为嵌入向量。子块大小为patch_size,嵌入大小为embed_size。卷积核大小与步幅均为patch_size,使得卷积后的特征图直接映射到embed_size维空间。