手把手教你用PyTorch实现ViT模型(附完整代码和数据集)

news2026/3/17 20:04:34
手把手教你用PyTorch实现ViT模型附完整代码和数据集在计算机视觉领域Transformer架构正掀起一场革命。传统CNN长期主导的格局被打破Vision TransformerViT以其独特的序列建模方式展现出惊人的性能表现。本文将带您从零开始用PyTorch完整实现一个ViT模型涵盖数据准备、模型构建、训练优化全流程并分享实际开发中的避坑指南。1. 环境配置与数据准备工欲善其事必先利其器。我们首先需要搭建适合ViT开发的Python环境。推荐使用Anaconda创建独立环境避免依赖冲突conda create -n vit_env python3.8 conda activate vit_env pip install torch1.12.0cu113 torchvision0.13.0cu113 -f https://download.pytorch.org/whl/torch_stable.html pip install timm matplotlib tqdm对于数据集选择CIFAR-10是个不错的起点。这个包含10类6万张32x32小图像的数据集既能验证模型有效性又不会消耗过多计算资源。以下是数据加载与预处理的完整实现import torch from torchvision import datasets, transforms # 数据增强策略 train_transform transforms.Compose([ transforms.RandomHorizontalFlip(), transforms.RandomRotation(15), transforms.ToTensor(), transforms.Normalize((0.5, 0.5, 0.5), (0.5, 0.5, 0.5)) ]) test_transform transforms.Compose([ transforms.ToTensor(), transforms.Normalize((0.5, 0.5, 0.5), (0.5, 0.5, 0.5)) ]) # 加载数据集 train_data datasets.CIFAR10(data, trainTrue, downloadTrue, transformtrain_transform) test_data datasets.CIFAR10(data, trainFalse, downloadTrue, transformtest_transform) # 创建数据加载器 batch_size 256 train_loader torch.utils.data.DataLoader(train_data, batch_sizebatch_size, shuffleTrue) test_loader torch.utils.data.DataLoader(test_data, batch_sizebatch_size)注意ViT对数据规模敏感如果资源允许建议使用更大数据集如ImageNet。对小数据集可考虑使用预训练权重或知识蒸馏技术。2. ViT模型架构实现ViT的核心思想是将图像分割为补丁序列通过Transformer编码器处理。让我们拆解这个过程的每个关键组件2.1 补丁嵌入层传统CNN通过卷积核滑动提取特征ViT则先将图像分割为固定大小的补丁。对于32x32的CIFAR-10图像采用4x4补丁大小将得到64个补丁import torch.nn as nn class PatchEmbedding(nn.Module): def __init__(self, img_size32, patch_size4, in_chans3, embed_dim64): super().__init__() self.img_size img_size self.patch_size patch_size self.n_patches (img_size // patch_size) ** 2 self.proj nn.Conv2d( in_chans, embed_dim, kernel_sizepatch_size, stridepatch_size ) def forward(self, x): x self.proj(x) # (B, E, H/P, W/P) x x.flatten(2) # (B, E, N) x x.transpose(1, 2) # (B, N, E) return x2.2 位置编码Transformer需要位置信息来理解补丁的空间关系。不同于原始论文使用固定编码我们采用更灵活的可学习位置编码class PositionalEncoding(nn.Module): def __init__(self, n_patches64, embed_dim64): super().__init__() self.pos_embed nn.Parameter(torch.zeros(1, n_patches 1, embed_dim)) nn.init.trunc_normal_(self.pos_embed, std0.02) def forward(self, x): return x self.pos_embed[:, :x.size(1)]2.3 Transformer编码器实现多头自注意力机制和前馈网络的核心模块class Attention(nn.Module): def __init__(self, dim, n_heads8): super().__init__() self.n_heads n_heads self.scale (dim // n_heads) ** -0.5 self.qkv nn.Linear(dim, dim * 3) self.proj nn.Linear(dim, dim) def forward(self, x): B, N, C x.shape qkv self.qkv(x).reshape(B, N, 3, self.n_heads, C // self.n_heads).permute(2, 0, 3, 1, 4) q, k, v qkv[0], qkv[1], qkv[2] attn (q k.transpose(-2, -1)) * self.scale attn attn.softmax(dim-1) x (attn v).transpose(1, 2).reshape(B, N, C) x self.proj(x) return x class MLP(nn.Module): def __init__(self, dim, hidden_dim): super().__init__() self.net nn.Sequential( nn.Linear(dim, hidden_dim), nn.GELU(), nn.Linear(hidden_dim, dim) ) def forward(self, x): return self.net(x) class EncoderBlock(nn.Module): def __init__(self, dim, n_heads, mlp_ratio4): super().__init__() self.norm1 nn.LayerNorm(dim) self.attn Attention(dim, n_heads) self.norm2 nn.LayerNorm(dim) self.mlp MLP(dim, dim * mlp_ratio) def forward(self, x): x x self.attn(self.norm1(x)) x x self.mlp(self.norm2(x)) return x3. 完整ViT模型组装整合所有组件构建完整ViT模型添加分类头和必要的初始化class VisionTransformer(nn.Module): def __init__(self, img_size32, patch_size4, in_chans3, n_classes10, embed_dim64, depth6, n_heads8, mlp_ratio4): super().__init__() self.patch_embed PatchEmbedding(img_size, patch_size, in_chans, embed_dim) self.cls_token nn.Parameter(torch.zeros(1, 1, embed_dim)) self.pos_embed PositionalEncoding(self.patch_embed.n_patches, embed_dim) self.blocks nn.ModuleList([ EncoderBlock(embed_dim, n_heads, mlp_ratio) for _ in range(depth) ]) self.norm nn.LayerNorm(embed_dim) self.head nn.Linear(embed_dim, n_classes) nn.init.trunc_normal_(self.cls_token, std0.02) self.apply(self._init_weights) def _init_weights(self, m): if isinstance(m, nn.Linear): nn.init.trunc_normal_(m.weight, std0.02) if m.bias is not None: nn.init.zeros_(m.bias) def forward(self, x): B x.shape[0] x self.patch_embed(x) # (B, N, E) cls_token self.cls_token.expand(B, -1, -1) x torch.cat((cls_token, x), dim1) # (B, 1N, E) x self.pos_embed(x) for block in self.blocks: x block(x) x self.norm(x) cls_token_final x[:, 0] # 提取分类token x self.head(cls_token_final) return x4. 模型训练与优化实现训练循环时有几个关键点需要特别注意4.1 学习率调度ViT训练通常需要精心设计的学习率调度。我们采用带热身的余弦退火策略def get_cosine_schedule_with_warmup(optimizer, num_warmup_steps, num_training_steps): def lr_lambda(current_step): if current_step num_warmup_steps: return float(current_step) / float(max(1, num_warmup_steps)) progress float(current_step - num_warmup_steps) / float(max(1, num_training_steps - num_warmup_steps)) return 0.5 * (1.0 math.cos(math.pi * progress)) return torch.optim.lr_scheduler.LambdaLR(optimizer, lr_lambda)4.2 训练流程实现完整的训练循环包含以下关键组件def train_model(model, train_loader, test_loader, epochs50): device torch.device(cuda if torch.cuda.is_available() else cpu) model model.to(device) criterion nn.CrossEntropyLoss() optimizer torch.optim.AdamW(model.parameters(), lr3e-4, weight_decay0.05) total_steps len(train_loader) * epochs scheduler get_cosine_schedule_with_warmup( optimizer, num_warmup_steps500, num_training_stepstotal_steps ) best_acc 0.0 for epoch in range(epochs): model.train() train_loss 0.0 for images, labels in tqdm(train_loader): images, labels images.to(device), labels.to(device) optimizer.zero_grad() outputs model(images) loss criterion(outputs, labels) loss.backward() optimizer.step() scheduler.step() train_loss loss.item() # 验证阶段 model.eval() correct 0 total 0 with torch.no_grad(): for images, labels in test_loader: images, labels images.to(device), labels.to(device) outputs model(images) _, predicted torch.max(outputs.data, 1) total labels.size(0) correct (predicted labels).sum().item() acc 100 * correct / total print(fEpoch {epoch1}/{epochs}, Loss: {train_loss/len(train_loader):.4f}, Acc: {acc:.2f}%) if acc best_acc: best_acc acc torch.save(model.state_dict(), best_vit_model.pth) print(fTraining complete. Best accuracy: {best_acc:.2f}%)4.3 实际训练技巧在真实项目中我们发现以下技巧能显著提升ViT训练效果梯度裁剪防止梯度爆炸torch.nn.utils.clip_grad_norm_(model.parameters(), max_norm1.0)混合精度训练减少显存占用scaler torch.cuda.amp.GradScaler() with torch.cuda.amp.autocast(): outputs model(images) loss criterion(outputs, labels) scaler.scale(loss).backward() scaler.step(optimizer) scaler.update()标签平滑缓解过拟合criterion nn.CrossEntropyLoss(label_smoothing0.1)5. 模型评估与可视化训练完成后我们需要深入分析模型表现和理解其工作原理5.1 评估指标计算除了准确率还应关注其他重要指标from sklearn.metrics import classification_report def evaluate_model(model, test_loader): device next(model.parameters()).device all_preds [] all_labels [] with torch.no_grad(): for images, labels in test_loader: images images.to(device) outputs model(images) _, preds torch.max(outputs, 1) all_preds.extend(preds.cpu().numpy()) all_labels.extend(labels.numpy()) print(classification_report(all_labels, all_preds)) return all_preds, all_labels5.2 注意力可视化理解ViT如何看图像至关重要。我们可以可视化注意力权重import matplotlib.pyplot as plt def visualize_attention(model, image, patch_size4): device next(model.parameters()).device model.eval() # 获取注意力权重 with torch.no_grad(): outputs model.patch_embed(image.unsqueeze(0).to(device)) cls_token model.cls_token.expand(1, -1, -1) x torch.cat((cls_token, outputs), dim1) x model.pos_embed(x) attention_maps [] for block in model.blocks: x block.norm1(x) B, N, C x.shape qkv block.attn.qkv(x).reshape(B, N, 3, model.blocks[0].attn.n_heads, C // model.blocks[0].attn.n_heads) q, k, v qkv.permute(2, 0, 3, 1, 4).unbind(0) attn (q k.transpose(-2, -1)) * block.attn.scale attn attn.softmax(dim-1) attention_maps.append(attn[:, :, 0, 1:].mean(dim1)) # CLS token对其他补丁的注意力 # 可视化 fig, axes plt.subplots(2, 3, figsize(12, 8)) for i, ax in enumerate(axes.flat): if i len(attention_maps): attn attention_maps[i].cpu().numpy().reshape(8, 8) ax.imshow(attn, cmaphot) ax.set_title(fBlock {i1}) ax.axis(off) plt.tight_layout() plt.show()6. 实战优化与调参建议基于实际项目经验分享ViT调优的关键策略6.1 超参数优化指南参数推荐范围影响分析补丁大小4-16像素小补丁捕获细节但增加计算量嵌入维度64-768越大模型容量越高头数8-12影响并行注意力机制数量深度6-12层更深可能带来梯度问题学习率3e-4到5e-4需配合热身策略6.2 常见问题解决方案训练不稳定增加梯度裁剪使用更小的学习率添加更多层归一化过拟合增强数据增强提高权重衰减(0.05-0.1)使用Dropout(0.1-0.3)性能瓶颈# 使用更高效的注意力实现 torch.backends.cuda.enable_flash_sdp(True)6.3 扩展应用方向ViT架构灵活可轻松扩展到其他视觉任务目标检测class ViTForDetection(nn.Module): def __init__(self, backbone, num_boxes5, num_classes20): super().__init__() self.backbone backbone self.bbox_head nn.Linear(backbone.embed_dim, num_boxes * 4) self.cls_head nn.Linear(backbone.embed_dim, num_boxes * num_classes)语义分割class ViTForSegmentation(nn.Module): def __init__(self, backbone, num_classes21): super().__init__() self.backbone backbone self.decoder nn.Sequential( nn.ConvTranspose2d(embed_dim, 256, kernel_size4, stride4), nn.Conv2d(256, num_classes, kernel_size1) )在真实项目中我们发现ViT在数据量充足时表现惊人但对超参数选择比CNN更敏感。建议从小规模实验开始逐步扩展模型规模。完整代码已托管在GitHub仓库包含更多高级特性和优化技巧。

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.coloradmin.cn/o/2420494.html

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈,一经查实,立即删除!

相关文章

SpringBoot-17-MyBatis动态SQL标签之常用标签

文章目录 1 代码1.1 实体User.java1.2 接口UserMapper.java1.3 映射UserMapper.xml1.3.1 标签if1.3.2 标签if和where1.3.3 标签choose和when和otherwise1.4 UserController.java2 常用动态SQL标签2.1 标签set2.1.1 UserMapper.java2.1.2 UserMapper.xml2.1.3 UserController.ja…

wordpress后台更新后 前端没变化的解决方法

使用siteground主机的wordpress网站,会出现更新了网站内容和修改了php模板文件、js文件、css文件、图片文件后,网站没有变化的情况。 不熟悉siteground主机的新手,遇到这个问题,就很抓狂,明明是哪都没操作错误&#x…

网络编程(Modbus进阶)

思维导图 Modbus RTU(先学一点理论) 概念 Modbus RTU 是工业自动化领域 最广泛应用的串行通信协议,由 Modicon 公司(现施耐德电气)于 1979 年推出。它以 高效率、强健性、易实现的特点成为工业控制系统的通信标准。 包…

UE5 学习系列(二)用户操作界面及介绍

这篇博客是 UE5 学习系列博客的第二篇,在第一篇的基础上展开这篇内容。博客参考的 B 站视频资料和第一篇的链接如下: 【Note】:如果你已经完成安装等操作,可以只执行第一篇博客中 2. 新建一个空白游戏项目 章节操作,重…

IDEA运行Tomcat出现乱码问题解决汇总

最近正值期末周,有很多同学在写期末Java web作业时,运行tomcat出现乱码问题,经过多次解决与研究,我做了如下整理: 原因: IDEA本身编码与tomcat的编码与Windows编码不同导致,Windows 系统控制台…

利用最小二乘法找圆心和半径

#include <iostream> #include <vector> #include <cmath> #include <Eigen/Dense> // 需安装Eigen库用于矩阵运算 // 定义点结构 struct Point { double x, y; Point(double x_, double y_) : x(x_), y(y_) {} }; // 最小二乘法求圆心和半径 …

使用docker在3台服务器上搭建基于redis 6.x的一主两从三台均是哨兵模式

一、环境及版本说明 如果服务器已经安装了docker,则忽略此步骤,如果没有安装,则可以按照一下方式安装: 1. 在线安装(有互联网环境): 请看我这篇文章 传送阵>> 点我查看 2. 离线安装(内网环境):请看我这篇文章 传送阵>> 点我查看 说明&#xff1a;假设每台服务器已…

XML Group端口详解

在XML数据映射过程中&#xff0c;经常需要对数据进行分组聚合操作。例如&#xff0c;当处理包含多个物料明细的XML文件时&#xff0c;可能需要将相同物料号的明细归为一组&#xff0c;或对相同物料号的数量进行求和计算。传统实现方式通常需要编写脚本代码&#xff0c;增加了开…

LBE-LEX系列工业语音播放器|预警播报器|喇叭蜂鸣器的上位机配置操作说明

LBE-LEX系列工业语音播放器|预警播报器|喇叭蜂鸣器专为工业环境精心打造&#xff0c;完美适配AGV和无人叉车。同时&#xff0c;集成以太网与语音合成技术&#xff0c;为各类高级系统&#xff08;如MES、调度系统、库位管理、立库等&#xff09;提供高效便捷的语音交互体验。 L…

(LeetCode 每日一题) 3442. 奇偶频次间的最大差值 I (哈希、字符串)

题目&#xff1a;3442. 奇偶频次间的最大差值 I 思路 &#xff1a;哈希&#xff0c;时间复杂度0(n)。 用哈希表来记录每个字符串中字符的分布情况&#xff0c;哈希表这里用数组即可实现。 C版本&#xff1a; class Solution { public:int maxDifference(string s) {int a[26]…

【大模型RAG】拍照搜题技术架构速览:三层管道、两级检索、兜底大模型

摘要 拍照搜题系统采用“三层管道&#xff08;多模态 OCR → 语义检索 → 答案渲染&#xff09;、两级检索&#xff08;倒排 BM25 向量 HNSW&#xff09;并以大语言模型兜底”的整体框架&#xff1a; 多模态 OCR 层 将题目图片经过超分、去噪、倾斜校正后&#xff0c;分别用…

【Axure高保真原型】引导弹窗

今天和大家中分享引导弹窗的原型模板&#xff0c;载入页面后&#xff0c;会显示引导弹窗&#xff0c;适用于引导用户使用页面&#xff0c;点击完成后&#xff0c;会显示下一个引导弹窗&#xff0c;直至最后一个引导弹窗完成后进入首页。具体效果可以点击下方视频观看或打开下方…

接口测试中缓存处理策略

在接口测试中&#xff0c;缓存处理策略是一个关键环节&#xff0c;直接影响测试结果的准确性和可靠性。合理的缓存处理策略能够确保测试环境的一致性&#xff0c;避免因缓存数据导致的测试偏差。以下是接口测试中常见的缓存处理策略及其详细说明&#xff1a; 一、缓存处理的核…

龙虎榜——20250610

上证指数放量收阴线&#xff0c;个股多数下跌&#xff0c;盘中受消息影响大幅波动。 深证指数放量收阴线形成顶分型&#xff0c;指数短线有调整的需求&#xff0c;大概需要一两天。 2025年6月10日龙虎榜行业方向分析 1. 金融科技 代表标的&#xff1a;御银股份、雄帝科技 驱动…

观成科技:隐蔽隧道工具Ligolo-ng加密流量分析

1.工具介绍 Ligolo-ng是一款由go编写的高效隧道工具&#xff0c;该工具基于TUN接口实现其功能&#xff0c;利用反向TCP/TLS连接建立一条隐蔽的通信信道&#xff0c;支持使用Let’s Encrypt自动生成证书。Ligolo-ng的通信隐蔽性体现在其支持多种连接方式&#xff0c;适应复杂网…

铭豹扩展坞 USB转网口 突然无法识别解决方法

当 USB 转网口扩展坞在一台笔记本上无法识别,但在其他电脑上正常工作时,问题通常出在笔记本自身或其与扩展坞的兼容性上。以下是系统化的定位思路和排查步骤,帮助你快速找到故障原因: 背景: 一个M-pard(铭豹)扩展坞的网卡突然无法识别了,扩展出来的三个USB接口正常。…

未来机器人的大脑:如何用神经网络模拟器实现更智能的决策?

编辑&#xff1a;陈萍萍的公主一点人工一点智能 未来机器人的大脑&#xff1a;如何用神经网络模拟器实现更智能的决策&#xff1f;RWM通过双自回归机制有效解决了复合误差、部分可观测性和随机动力学等关键挑战&#xff0c;在不依赖领域特定归纳偏见的条件下实现了卓越的预测准…

Linux应用开发之网络套接字编程(实例篇)

服务端与客户端单连接 服务端代码 #include <sys/socket.h> #include <sys/types.h> #include <netinet/in.h> #include <stdio.h> #include <stdlib.h> #include <string.h> #include <arpa/inet.h> #include <pthread.h> …

华为云AI开发平台ModelArts

华为云ModelArts&#xff1a;重塑AI开发流程的“智能引擎”与“创新加速器”&#xff01; 在人工智能浪潮席卷全球的2025年&#xff0c;企业拥抱AI的意愿空前高涨&#xff0c;但技术门槛高、流程复杂、资源投入巨大的现实&#xff0c;却让许多创新构想止步于实验室。数据科学家…

深度学习在微纳光子学中的应用

深度学习在微纳光子学中的主要应用方向 深度学习与微纳光子学的结合主要集中在以下几个方向&#xff1a; 逆向设计 通过神经网络快速预测微纳结构的光学响应&#xff0c;替代传统耗时的数值模拟方法。例如设计超表面、光子晶体等结构。 特征提取与优化 从复杂的光学数据中自…