Transformer实战-系列教程17：DETR 源码解读4（Joiner类/PositionEmbeddingSine类/位置编码/backbone）

🚩🚩🚩Transformer实战-系列教程总目录

有任何问题欢迎在下面留言
本篇文章的代码运行界面均在Pycharm中进行
本篇文章配套的代码资源已经上传
点我下载源码

DETR 算法解读
DETR 源码解读1（项目配置/CocoDetection类）
DETR 源码解读2（ConvertCocoPolysToMask类）
DETR 源码解读3（DETR类）
DETR 源码解读4（Joiner类/PositionEmbeddingSine类/位置编码/backbone）

5、Joiner类

位置：models/backbone.py/Joiner类

class Joiner(nn.Sequential):def __init__(self, backbone, position_embedding):super().__init__(backbone, position_embedding)def forward(self, tensor_list: NestedTensor):xs = self[0](tensor_list)out: List[NestedTensor] = []pos = []for name, x in xs.items():out.append(x)pos.append(self[1](x).to(x.tensors.dtype))return out, pos

定义Joiner类，继承自PyTorch的nn.Sequential
构造函数
初始化
前向传播函数，接收一个类型为NestedTensor的参数tensor_list
xs，self[0] 指的是nn.Sequential容器中的第一个模块，根据__init__方法中的定义，这是backbone模块。所以，self[0](tensor_list)表示对输入的tensor_list执行backbone模块的前向传播
初始化一个空列表out，用于存储backbone输出的特征
pos = []**：初始化一个空列表pos，用于存储由position_embedding`生成的位置编码
遍历xs
将当前层的输出x添加到out列表中
self[1] 指的是nn.Sequential容器中的第二个模块，根据初始化时的顺序，这是position_embedding模块。因此，self[1](x)表示对backbone的输出x执行position_embedding模块的前向传播
out、pos

6、PositionEmbeddingSine类

位置：models/position_encoding.py/PositionEmbeddingSine类

DETR提供了两种位置编码方式，一种是和Transformer一样的正余弦，另一种是可学习的位置编码方式，下面是和Transformer一样的正余弦

6.1 构造函数

class PositionEmbeddingSine(nn.Module):def __init__(self, num_pos_feats=64, temperature=10000, normalize=False, scale=None):super().__init__()self.num_pos_feats = num_pos_featsself.temperature = temperatureself.normalize = normalizeif scale is not None and normalize is False:raise ValueError("normalize should be True if scale is passed")if scale is None:scale = 2 * math.piself.scale = scale

继承nn.Module的类
构造函数
初始化
num_pos_feats ，每个位置特征数量的一般
temperature ，缩放因子，用于调整位置编码的频率
normalize ，是否对位置坐标进行归一化
scale，在归一化位置坐标时使用的额外缩放因子
验证scale和normalize参数的兼容性
设置scale的默认值为2 * math.pi，如果未提供

6.2 前向传播

    def forward(self, tensor_list: NestedTensor):x = tensor_list.tensorsmask = tensor_list.maskassert mask is not Nonenot_mask = ~masky_embed = not_mask.cumsum(1, dtype=torch.float32)x_embed = not_mask.cumsum(2, dtype=torch.float32)if self.normalize:eps = 1e-6y_embed = y_embed / (y_embed[:, -1:, :] + eps) * self.scalex_embed = x_embed / (x_embed[:, :, -1:] + eps) * self.scaledim_t = torch.arange(self.num_pos_feats, dtype=torch.float32, device=x.device)dim_t = self.temperature ** (2 * (dim_t // 2) / self.num_pos_feats)pos_x = x_embed[:, :, :, None] / dim_tpos_y = y_embed[:, :, :, None] / dim_tpos_x = torch.stack((pos_x[:, :, :, 0::2].sin(), pos_x[:, :, :, 1::2].cos()), dim=4).flatten(3)pos_y = torch.stack((pos_y[:, :, :, 0::2].sin(), pos_y[:, :, :, 1::2].cos()), dim=4).flatten(3)pos = torch.cat((pos_y, pos_x), dim=3).permute(0, 3, 1, 2)return pos

前向传播函数
x，从tensor_list提取张量，torch.Size([2, 2048, 25, 29])，2是batch，2048是一个像素点的特征向量维度，后面是特征图长宽
mask ，从tensor_list提取掩码，torch.Size([2, 25, 29])，这里面存储的全是bool值
确认mask 存在
通过对掩码取反获取非掩码区域，这里非掩码区域指的是图像的有效部分
y_embed，计算非掩码区域在垂直（y）方向上的累积和，用于生成位置编码，torch.Size([2, 25, 29])
x_embed，计算非掩码区域在水平（x）方向上的累积和，用于生成位置编码，torch.Size([2, 25, 29])
如果启用了归一化
一个很小的数，防止出现除以0
对y_embed
x_embed进行归一化并应用缩放因子self.scale
dim_t ，torch.Size([128])，生成一个维度张量dim_t，用于控制正弦和余弦函数的频率
dim_t ，torch.Size([128])，根据temperature和num_pos_feats调整其值
pos_x ，对x_embed应用缩放，torch.Size([2, 25, 29, 128])
pos_y ，对y_embed应用缩放，准备生成正弦和余弦编码，torch.Size([2, 25, 29, 128])
pos_x ，分别计算所有偶数位置的正弦值和所有奇数位置的余弦值，将正弦值和余弦值沿着新的维度堆叠起来，将堆叠后的维度（正弦和余弦值对）展平，torch.Size([2, 25, 29, 128])
pos_y ，torch.Size([2, 25, 29, 128])
pos ，将pos_y和pos_x在第3维上进行拼接，形成完整的位置编码，torch.Size([2, 256, 25, 29])
返回pos