VisionTransformer（二）—— 从Word Embedding到Patch Embedding：跨模态的向量化统一-育师

1. Word Embedding与Patch Embedding的跨模态统一

第一次看到VisionTransformer（ViT）论文时，最让我惊讶的是作者竟然用处理文本的方式处理图像。这就像用菜刀切面包——工具不对口，但效果出奇地好。要理解这种跨模态的统一，我们得先拆解两个核心概念：NLP中的Word Embedding和CV中的Patch Embedding。

在NLP领域，Word Embedding就像给词语制作身份证。比如"猫"这个词，通过Embedding会变成[0.2, -0.5, 0.7]这样的向量。神奇的是，相似的词在向量空间里会靠得很近——"猫"和"狗"的距离，会比"猫"和"汽车"近得多。这种特性让模型能理解语义关系，比如"国王-男人+女人≈女王"这样的向量运算。

而在CV领域，Patch Embedding做的是类似的事情。假设我们有一张224x224的图片，把它切成16x16的小块（每个patch是14x14像素），然后把这些图像块拉平成向量。这就相当于把图像"分词"了，每个patch对应NLP中的一个word token。通过可学习的线性投影，这些图像patch被映射到与word embedding相同的向量空间。

2. 文本与图像的"分词"艺术

2.1 NLP的分词策略

在自然语言处理中，分词就像切香肠。英文相对简单，按空格和标点就能切分。比如句子"I love cats"可以分成["I", "love", "cats"]三个token。中文更复杂，"我喜欢猫"可能需要分成["我","喜欢","猫"]。

但简单的分词会遇到问题：

新词难以识别（比如网络用语"绝绝子"）
歧义切分（"南京市长江大桥"可以怎么切？）
稀有词处理

现代NLP系统通常采用Byte Pair Encoding（BPE）等子词切分方法，把单词拆成更小的语义单元。比如"unhappiness"可能被分成"un", "happy", "ness"。

2.2 CV的"分词"创新

图像没有显式的分隔符，所以ViT采用了简单粗暴的均匀网格划分。比如把224x224图像分成16x16的patch，每个patch就是14x14像素。这种划分方式有几个关键考虑：

计算效率：直接处理整张图像的计算量太大（224x224=50,176像素），分成196个patch（16x16）后，每个patch只有14x14=196像素
局部性保留：每个patch保留了局部空间信息
可扩展性：patch大小可以调整（如32x32或8x8）

我在实际项目中测试过不同patch size的影响。对于ImageNet分类，16x16是个不错的平衡点。但做细粒度分类（比如鸟类识别）时，用8x8的patch能保留更多细节信息。

3. 从离散符号到连续向量

3.1 Word Embedding的向量化

传统NLP使用one-hot编码，比如：

"猫" = [1,0,0]
"狗" = [0,1,0]
"汽车" = [0,0,1]

这种表示有两个致命缺陷：

维度灾难（词汇表多大，向量就有多长）
无法表达词与词之间的关系

Word Embedding通过低维稠密向量解决了这两个问题。以Word2Vec为例，它通过预测上下文来学习词向量，使得语义相似的词在向量空间中距离相近。比如：

"猫" ≈ [0.5, -0.2, 0.3]
"狗" ≈ [0.6, -0.1, 0.2]
"汽车" ≈ [-0.3, 0.8, 0.1]

3.2 Patch Embedding的实现技巧

ViT处理图像patch的方式与Word Embedding惊人地相似：

线性投影：用一个可学习的矩阵E将patch投影到D维空间
```
# 伪代码示例 patch_embedding = nn.Linear(patch_dim, embed_dim)
```

位置编码：因为Transformer本身没有位置概念，需要额外添加位置信息

# 正弦位置编码 position = torch.arange(num_patches).unsqueeze(1) div_term = torch.exp(torch.arange(0, d_model, 2) * -(math.log(10000.0) / d_model)) pe[:, 0::2] = torch.sin(position * div_term) pe[:, 1::2] = torch.cos(position * div_term)

CLS Token：借鉴BERT的做法，添加一个特殊的分类token，用于最终分类

我在实现时发现，位置编码对模型性能影响很大。使用可学习的位置嵌入（learnable positional embedding）通常比固定正弦编码效果更好，尤其是在处理高分辨率图像时。

4. 语义保留的对比分析

4.1 NLP中的语义保留

好的Word Embedding应该能捕捉：

同义词相似性（"快乐"和"愉快"）
反义关系（"大"和"小"）
词性变化（"run"和"running"）
上下文相关含义（"苹果"作为水果vs公司）

例如，通过GloVe或BERT学到的embedding，可以在向量空间中进行类比推理：

vec("国王") - vec("男人") + vec("女人") ≈ vec("女王")

4.2 CV中的特征保留

Patch Embedding需要保留的是视觉特征：

局部纹理和边缘
颜色分布
几何形状
空间关系

实验表明，ViT的浅层embedding会学习到类似CNN的低级特征检测器（边缘、颜色斑点等），而深层embedding则能捕捉更高级的语义信息。

一个有趣的发现是：当把ViT的patch embedding可视化时，早期的层会显示出类似Gabor滤波器的模式，这与CNN的早期卷积核非常相似。这说明尽管架构不同，但模型都会首先学习检测低级视觉特征。

5. 统一范式的优势与挑战

5.1 跨模态统一的优势

架构简化：同一套Transformer架构可以处理文本和图像
多模态融合：更容易实现图文联合建模（如CLIP模型）
知识迁移：NLP领域的预训练技术可以迁移到CV
长程依赖：Self-attention能直接建模全局关系，不像CNN需要堆叠多层

在实际项目中，这种统一性带来了很大便利。比如我们可以用几乎相同的代码库处理文本分类和图像分类任务，只需要调整输入embedding部分。

5.2 面临的挑战

计算复杂度：Self-attention的O(n²)复杂度对高分辨率图像不友好
数据需求：ViT需要大量数据才能达到CNN的性能
局部性缺失：均匀划分patch可能破坏自然图像的局部结构
位置敏感：需要精心设计位置编码方案

在资源受限的场景下，我通常会采用混合架构——浅层用CNN提取局部特征，深层用Transformer建模全局关系。这种设计在计算效率和模型性能之间取得了不错的平衡。

6. 实现细节与优化技巧

6.1 高效实现Patch Embedding

原始ViT论文使用线性投影实现patch embedding，但在实际应用中，用卷积层实现更高效：

class PatchEmbed(nn.Module): def __init__(self, img_size=224, patch_size=16, in_chans=3, embed_dim=768): super().__init__() self.proj = nn.Conv2d(in_chans, embed_dim, kernel_size=patch_size, stride=patch_size) def forward(self, x): x = self.proj(x) # [B, C, H, W] -> [B, D, H/P, W/P] x = x.flatten(2) # [B, D, H/P, W/P] -> [B, D, N] x = x.transpose(1, 2) # [B, D, N] -> [B, N, D] return x

这种实现有几点优势：

直接利用卷积的优化实现
支持非方形patch（如16x32）
可以轻松扩展到重叠patch（通过调整stride）

6.2 位置编码的变体

除了标准的位置编码，还有几种值得尝试的方案：

相对位置编码：考虑patch之间的相对距离而非绝对位置

# 计算相对位置偏置 relative_position_bias = nn.Parameter( torch.zeros((2*window_size-1)*(2*window_size-1), num_heads))

条件位置编码：根据图像内容动态生成位置信息

# 使用轻量网络生成位置编码 self.pos_embed_net = nn.Sequential( nn.Conv2d(in_chans, embed_dim//4, 3, padding=1), nn.GELU(), nn.Conv2d(embed_dim//4, embed_dim, 3, padding=1))