MambaVision原理和源码调测

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$\frac{1}{4}$，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)

原文地址：https://blog.csdn.net/cskywit/article/details/142957710

免责声明：本站文章内容转载自网络资源，如本站内容侵犯了原著者的合法权益，可联系本站删除。更多内容请关注自学内容网（zxcms.com）！