[WIP] Release code of MixFormer (CVPR2022, Oral)

[chensnathan]

MixFormer: Mixing Features across Windows and Dimensions

Pre-trained models will be added in next few days.

[paddle-bot-old[bot]]

Thanks for your contribution!

[Seperendity]

您好，想请教一下，ppcls/arch/backbone/model_zoo/mixformer.py中line229这里的维度v = v * x_cnn2v是如何计算的呢？我看每个部分的最后两个维度分别是（1, C // self.num_heads）和(N, C // self.num_heads)这里做矩阵乘列和行的维度不是不对应吗？

[chensnathan]

@Seperendity 你好，这个是可以通过广播机制来实现的

[Seperendity]

@chensnathan 非常感谢您的解答！知道用的是广播机制了。但还是对为什么广播后的值乘的对应维度是numswindow和tokens数这两维，我看论文的意思以为是把权重乘到通道维度上。x_cnn2v = torch.sigmoid(channel_interaction).reshape([-1, 1, self.num_heads, 1, C // self.num_heads])和 v = v.reshape([x_cnn2v.shape[0], -1, self.num_heads, N, C // self.num_heads])代码中这么乘的原因是什么呢？直观上来看并没有将学到的权重赋到dims维度上，希望您能解答一下，不甚感激。

[chensnathan]

@Seperendity 你好，这样做是为了配合v的维度。举个例子理解一下，假设v的shape是[B, C, H, W]，x_cnn2v的shape是[B, C, 1, 1]，那么v = v * x_cnn2v是一个简单的channel attention。但是，在代码里的第223行，因为后续要准备做window-based self-attention，v的shape是[B*(H/win)*(W/win), win*win, num_heads, C/num_heads]，而x_cnn2v的shape是[B, C, 1, 1]，这个时候没法直接做channel attention。当然这里可以用不同的实现：

1. 你可以把v再reshape回[B, C, H, W]，做完channel attention之后，再变成[B*(H/win)*(W/win), win*win, num_heads, C/num_heads]，再进入到下面的self-attention。
2. 我这里选择的是，v的shape从[B*(H/win)*(W/win), win*win, num_heads, C/num_heads]变为[B, (H/win)*(W/win), win*win, num_heads, C/num_heads]，x_cnn2v变为[B, 1, 1, num_heads, C/num_heads]，然后再变为[B*(H/win)*(W/win), win*win, num_heads, C/num_heads]，再进入到下面的self-attention。 本质上是一样的。

[Seperendity]

@chensnathan 明白您的意思了，非常感谢您的耐心解答！很有意思的工作

[cxz1276316542]

MixFormer: Mixing Features across Windows and Dimensions

Pre-trained models will be added in next few day 你好，预训练模型出来了吗？在哪里下载呢？