Skip to main content

3. ViT 与视觉表征

1. 输入表示与 Patch Embedding​

1.1 为什么需要 Patch Embedding？​

ViT 模型总览（An Image is Worth 16x16 Words, Fig.1）
ViT 模型总览（An Image is Worth 16x16 Words, Fig.1）

1.1.1 问题背景​

Transformer 原本用于处理一维序列，但图像是二维网格。最直接的办法是把每个像素当成一个 token，但这会带来两个问题：

  • 224×224 图像会产生 50,176 个像素 token
  • 自注意力复杂度是 O(n²)，序列过长时计算量不可接受

1.1.2 ViT 的解决方案​

ViT 的核心做法是把图像切成固定大小的 Patch，让每个 Patch 对应一个 token：

图像尺寸Patch 大小Token 数量
224×22416×16196
224×22414×14256
384×38416×16576

这样既保留了局部结构，又把序列长度压到了可接受范围。

1.2 Patch Embedding 的数学原理​

在进入公式之前，先建立一个直觉：每个 16×16 的像素块本身就包含了局部纹理、边缘和颜色分布等信息，只是这些信息散落在 768 个原始像素值里，维度高且冗余。线性投影的作用类似于"压缩+旋转"——它学习一组基向量，把高维像素空间中有意义的模式（如边缘方向、颜色梯度）投影到一个更紧凑的特征空间中，使得语义相近的 Patch 在新空间里彼此靠近。这和 NLP 中词嵌入把离散 token 映射到连续向量空间的思路是一致的。

1.2.1 图像分块​

设输入图像为 ，其中 是高度， 是宽度， 是通道数。设 Patch 大小为 ，则 Patch 数量为

1.2.2 展平与线性投影​

每个 Patch 展平为向量：

再映射到 维隐空间：

其中：

  • 是投影矩阵
  • 是偏置
  • 是 Transformer 的隐藏维度

1.2.3 完整公式​

其中：

  • ：可学习的分类 token
  • ：位置编码

1.3 实现方式​

1.3.1 方式一：先 Reshape 再线性投影​

朴素实现的思路很直接：先将图像张量按 Patch 大小在空间维度上 reshape 为 (B, H/P, W/P, P, P, C) 的块结构，再将每个 Patch 内的像素展平为 P²·C 维向量，最后通过一个 nn.Linear 投影到隐空间维度 D。这种写法逻辑清晰，但涉及多次 reshape 和 permute 操作，实际效率不如下面的卷积实现。

1.3.2 方式二：使用卷积（等价且高效）​

Patch Embedding 等价于一个 kernel_size = stride = patch_size 的卷积操作。

class PatchEmbeddingConv(nn.Module):
    """高效实现：使用卷积完成分块+投影"""
    def __init__(self, img_size=224, patch_size=16, in_channels=3, embed_dim=768):
        super().__init__()
        self.img_size = img_size
        self.patch_size = patch_size
        self.num_patches = (img_size // patch_size) ** 2
        self.proj = nn.Conv2d(
            in_channels,
            embed_dim,
            kernel_size=patch_size,
            stride=patch_size,
        )
    
    def forward(self, x):
        x = self.proj(x)  # (B, embed_dim, H/P, W/P)
        x = x.flatten(2)  # (B, embed_dim, N)
        x = x.transpose(1, 2)  # (B, N, embed_dim)
        return x

1.3.3 为什么卷积实现等价？​

线性投影视角卷积视角
每个 16×16 Patch 展平为 768 维向量16×16 卷积核，stride=16，输出 768 通道
投影矩阵 (768, 768)卷积权重 (768, 3, 16, 16)

两者数学上等价，但卷积实现更简洁，也更容易利用 GPU 加速。

1.4 位置编码的添加​

1.4.1 可学习位置编码（ViT 默认）​

class ViTPatchEmbed(nn.Module):
    """完整的 ViT Patch Embedding，包含 CLS Token 和位置编码"""
    def __init__(self, img_size=224, patch_size=16, in_channels=3, embed_dim=768):
        super().__init__()
        self.num_patches = (img_size // patch_size) ** 2
        self.patch_embed = nn.Conv2d(
            in_channels, embed_dim,
            kernel_size=patch_size, stride=patch_size
        )
        self.cls_token = nn.Parameter(torch.zeros(1, 1, embed_dim))
        self.pos_embed = nn.Parameter(torch.zeros(1, self.num_patches + 1, embed_dim))
        nn.init.trunc_normal_(self.cls_token, std=0.02)
        nn.init.trunc_normal_(self.pos_embed, std=0.02)
    
    def forward(self, x):
        B = x.shape[0]
        x = self.patch_embed(x)  # (B, D, H/P, W/P) - 卷积分块并投影
        x = x.flatten(2).transpose(1, 2)  # (B, N, D) - 空间维展平，转为序列格式
        # 将形状为 (1, 1, D) 的 CLS token 复制 B 份，扩展到 batch 维
        cls_tokens = self.cls_token.expand(B, -1, -1)  # (B, 1, D)
        # 将 CLS token 拼接到 patch 序列最前面，使其能通过注意力聚合全局信息
        x = torch.cat([cls_tokens, x], dim=1)  # (B, N+1, D)
        x = x + self.pos_embed  # (B, N+1, D) - 叠加可学习位置编码
        return x

1.4.2 2D 位置编码（替代方案）​

由于 Patch 具有二维空间结构，也可以使用 2D sin-cos 位置编码。核心思路：将每个 Patch 的行索引和列索引分别用 1D sin-cos 编码，然后将两者拼接成完整的位置向量。这样位置编码天然具有 2D 结构，比 1D 可学习编码更适合不规则分辨率输入（例如推理时换用更大图像）。

为什么 2D sin-cos 比 1D 可学习编码更适合图像？

对比维度1D 可学习编码2D sin-cos 编码
位置信息一维序号，隐式包含 2D 结构显式编码行、列位置
分辨率迁移需要插值，效果一般可自然推广到新分辨率
参数量有（随 token 数增加）无参数，确定性计算
适合场景固定分辨率分类任务需要处理变长输入的 VLM/VLA

1.5 可视化理解​

1.5.1 Patch 划分示意​

原始图像 (224 × 224 × 3)
┌────┬────┬────┬────┬─...─┬────┐
│ P1 │ P2 │ P3 │ P4 │     │P14 │
├────┼────┼────┼────┼─...─┼────┤
│P15 │P16 │P17 │P18 │     │P28 │
├────┼────┼────┼────┼─...─┼────┤
│    │    │    │    │     │    │
 ...  ...  ...  ...  ...   ...
├────┼────┼────┼────┼─...─┼────┤
│    │    │    │    │     │P196│
└────┴────┴────┴────┴─...─┴────┘

每个 Patch: 16 × 16 × 3 = 768 维
共 14 × 14 = 196 个 Patch

1.5.2 Embedding 过程​

图像         切块展平            线性投影        添加位置编码
224×224×3 → [P1, P2, ..., P196] → [z1, z2, ..., z196] → [z1+PE1, z2+PE2, ...]
            每个 768 维          每个 768 维           每个 768 维

                                  ↓ 添加 CLS Token

最终: [CLS, z1+PE1, z2+PE2, ..., z196+PE196]  共 197 个 Token

1.6 关键设计选择​

1.6.1 Patch 大小的权衡​

Patch 大小Token 数量计算量细节捕捉
8×8784高好
16×16196中中
32×3249低差

常用配置：

  • ViT-B/16：Patch 大小 16，Base 规模
  • ViT-L/14：Patch 大小 14，Large 规模
  • ViT-H/14：Patch 大小 14，Huge 规模

为什么现代 VLM/VLA 偏爱 Patch 14（ViT-L/14）？ Patch 14 比 Patch 16 粒度更细，能保留更多空间细节——对机器人操控等需要精确定位的任务尤为重要。代价是 token 数从 196 增加到 256（224×224 输入），对 LLM 的序列处理带来一定压力。当输入分辨率提升到 336×336 或 448×448 时，token 数可达 576～1024，这一权衡在高分辨率场景下尤为突出，也是业界持续探索 token 压缩方案的主要动因。

1.6.2 重叠 Patch（Overlapping Patches）​

一些改进方法会让 Patch 之间有重叠：

1.6.2.1 重叠 Patch Embedding​
self.proj = nn.Conv2d(
    in_channels, embed_dim,
    kernel_size=16, stride=12  # stride < kernel_size
)

优点是能更好地捕捉边界信息，缺点是 token 数增加、计算量上升。

1.7 小结​

要点说明
核心作用将 2D 图像转换为 1D Token 序列
实现方式使用 stride=patch_size 的卷积最简洁
Patch 大小常用 16×16 或 14×14
输出维度(B, N+1, D)，包含 CLS Token
位置编码可学习 1D 编码或 2D sin-cos 编码

2. ViT 架构、训练与实现​

2.1 ViT 架构概览​

2.1.1 整体流程​

输入图像 (224×224×3)
        ↓
┌─────────────────────────┐
│   Patch Embedding       │  图像 → Patch 序列
│   + CLS Token           │
│   + Position Embedding  │
└─────────────────────────┘
        ↓
┌─────────────────────────┐
│   Transformer Encoder   │  L 层堆叠
│   (Multi-Head Attention │
│    + FFN + LayerNorm)   │
└─────────────────────────┘
        ↓
┌─────────────────────────┐
│   Classification Head   │  CLS Token → 类别
└─────────────────────────┘
        ↓
    输出 (num_classes)

2.1.2 关键组件​

组件作用
Patch Embedding将图像切分为 Patch 并投影到隐空间
CLS Token聚合全局信息，用于分类
Position Embedding注入位置信息
Transformer Encoder特征提取与建模
MLP Head将 CLS Token 映射到类别概率

2.2 CLS Token 的设计​

2.2.1 什么是 CLS Token？​

CLS（Classification）Token 是一个可学习向量，添加在 Patch 序列最前面：

输入序列: [CLS, P1, P2, P3, ..., P196]
           ↑
        可学习参数

2.2.2 为什么需要 CLS Token？​

问题CLS Token 的解决方案
如何聚合所有 Patch 的信息？CLS Token 通过注意力机制与所有 Patch 交互
分类时使用哪个 Token？使用 CLS Token 的最终表示
如何避免位置偏差？CLS Token 不对应具体 Patch，位置中立

2.2.3 CLS Token 的工作原理​

Layer 1:  [CLS]  [P1]  [P2]  ...  [P196]
            ↓     ↓     ↓          ↓
          ←─────────────────────────→  (Self-Attention)
            ↓
Layer 2:  [CLS'] [P1'] [P2'] ...  [P196']
            ↓
          ...
            ↓
Layer L:  [CLS*] [P1*] [P2*] ...  [P196*]
            ↓
         MLP Head → 分类结果

CLS Token 会在多层注意力中不断聚合全局信息。

2.2.4 代码实现​

class ViT(nn.Module):
    def __init__(self, ...):
        super().__init__()
        self.cls_token = nn.Parameter(torch.zeros(1, 1, embed_dim))
        nn.init.trunc_normal_(self.cls_token, std=0.02)
    
    def forward(self, x):
        B = x.shape[0]
        x = self.patch_embed(x)  # (B, N, D)
        cls_tokens = self.cls_token.expand(B, -1, -1)  # (B, 1, D)
        x = torch.cat([cls_tokens, x], dim=1)  # (B, N+1, D)
        x = x + self.pos_embed  # (B, N+1, D)
        x = self.transformer(x)  # (B, N+1, D)
        cls_output = x[:, 0]  # (B, D)
        return self.head(cls_output)  # (B, num_classes)

2.3 Transformer Encoder​

2.3.1 单层 Encoder Block​

class TransformerEncoderBlock(nn.Module):
    def __init__(self, embed_dim, num_heads, mlp_ratio=4.0, dropout=0.0):
        super().__init__()
        self.norm1 = nn.LayerNorm(embed_dim)
        self.norm2 = nn.LayerNorm(embed_dim)
        self.attn = nn.MultiheadAttention(
            embed_dim, num_heads,
            dropout=dropout, batch_first=True
        )
        hidden_dim = int(embed_dim * mlp_ratio)
        self.mlp = nn.Sequential(
            nn.Linear(embed_dim, hidden_dim),
            nn.GELU(),
            nn.Dropout(dropout),
            nn.Linear(hidden_dim, embed_dim),
            nn.Dropout(dropout)
        )
    
    def forward(self, x):
        x = x + self.attn(self.norm1(x), self.norm1(x), self.norm1(x))[0]
        x = x + self.mlp(self.norm2(x))
        return x

2.3.2 Encoder 结构图​

输入: (B, N+1, D)
        ↓
┌───────────────────────────────────────┐
│  ┌─────────────────────────────────┐  │
│  │       Layer Normalization       │  │
│  └─────────────────────────────────┘  │
│              ↓                        │
│  ┌─────────────────────────────────┐  │
│  │   Multi-Head Self-Attention     │  │
│  └─────────────────────────────────┘  │
│              ↓         ↑              │
│           + ←──────────┘ (Residual)   │
│              ↓                        │
│  ┌─────────────────────────────────┐  │
│  │       Layer Normalization       │  │
│  └─────────────────────────────────┘  │
│              ↓                        │
│  ┌─────────────────────────────────┐  │
│  │        MLP (FFN + GELU)         │  │
│  └─────────────────────────────────┘  │
│              ↓         ↑              │
│           + ←──────────┘ (Residual)   │
└───────────────────────────────────────┘
        ↓
输出: (B, N+1, D)

重复 L 次

2.4 分类头​

2.4.1 标准 MLP Head​

class ClassificationHead(nn.Module):
    """ViT 原始论文的分类头"""
    def __init__(self, embed_dim, num_classes):
        super().__init__()
        self.head = nn.Linear(embed_dim, num_classes)
    
    def forward(self, x):
        return self.head(x)  # x: CLS token 的输出 (B, D)

在预训练后微调阶段，也可以在线性层前加入隐藏层（LayerNorm → Linear → GELU → Linear），以提升分类头的表达能力。

2.4.2 全局平均池化（替代方案）​

另一种做法是不使用 CLS Token，而是对所有 patch token 取全局平均池化（GAP）作为图像表示，再送入分类头。这种方式更简单且无需额外参数，但会丢失位置信息。

方法优点缺点
CLS TokenBERT 预训练兼容、位置中立需要额外参数
GAP简单、无额外参数丢失位置信息

2.5 完整 ViT 实现​

import torch
import torch.nn as nn

class ViT(nn.Module):
    """Vision Transformer 完整实现"""
    def __init__(
        self,
        img_size=224,
        patch_size=16,
        in_channels=3,
        num_classes=1000,
        embed_dim=768,
        depth=12,
        num_heads=12,
        mlp_ratio=4.0,
        dropout=0.0,
    ):
        super().__init__()
        self.patch_embed = nn.Conv2d(
            in_channels, embed_dim,
            kernel_size=patch_size, stride=patch_size
        )
        num_patches = (img_size // patch_size) ** 2
        self.cls_token = nn.Parameter(torch.zeros(1, 1, embed_dim))
        self.pos_embed = nn.Parameter(torch.zeros(1, num_patches + 1, embed_dim))
        self.pos_drop = nn.Dropout(dropout)
        self.blocks = nn.Sequential(*[
            TransformerEncoderBlock(embed_dim, num_heads, mlp_ratio, dropout)
            for _ in range(depth)
        ])
        self.norm = nn.LayerNorm(embed_dim)
        self.head = nn.Linear(embed_dim, num_classes)
        self._init_weights()
    
    def _init_weights(self):
        nn.init.trunc_normal_(self.pos_embed, std=0.02)
        nn.init.trunc_normal_(self.cls_token, std=0.02)
        for m in self.modules():
            if isinstance(m, nn.Linear):
                nn.init.trunc_normal_(m.weight, std=0.02)
                if m.bias is not None:
                    nn.init.zeros_(m.bias)
            elif isinstance(m, nn.LayerNorm):
                nn.init.ones_(m.weight)
                nn.init.zeros_(m.bias)
    
    def forward(self, x):
        B = x.shape[0]
        # Step 1: Patch Embedding — 卷积分块，输出空间特征图
        x = self.patch_embed(x)  # (B, D, H/P, W/P)
        # Step 2: 展平空间维度，转为 token 序列格式
        x = x.flatten(2).transpose(1, 2)  # (B, N, D)
        # Step 3: 将 CLS token 扩展到 batch 维并拼接到序列头部
        cls_tokens = self.cls_token.expand(B, -1, -1)  # (B, 1, D)
        x = torch.cat([cls_tokens, x], dim=1)  # (B, N+1, D)
        # Step 4: 叠加位置编码，注入空间位置信息
        x = x + self.pos_embed
        x = self.pos_drop(x)  # Dropout 正则化
        # Step 5: 通过 L 层 Transformer Encoder 提取特征
        x = self.blocks(x)  # (B, N+1, D)
        # Step 6: 最终 LayerNorm
        x = self.norm(x)
        # Step 7: 取 CLS token 的输出（index=0），通过线性分类头
        return self.head(x[:, 0])  # (B, num_classes)

2.6 ViT 模型配置​

2.6.1 标准配置​

模型LayersHiddenHeadsMLPParams
ViT-Ti (Tiny)1219237685.7M
ViT-S (Small)123846153622M
ViT-B (Base)1276812307286M
ViT-L (Large)241024164096307M
ViT-H (Huge)321280165120632M

2.6.2 模型命名规则​

ViT-B/16
 │   │
 │   └── Patch 大小 (16×16)
 └────── 模型规模 (Base)

2.6.3 配置说明​

各模型变体的具体参数见上方 2.6.1 配置表格，实际使用时只需按表中数值实例化 ViT 类即可。

2.7 训练与微调​

2.7.1 数据增强​

ViT 对数据增强很敏感，常见策略包括：

  • RandomResizedCrop（随机裁剪缩放到 224×224）
  • RandomHorizontalFlip（随机水平翻转）
  • AutoAugment / RandAugment（自动增强策略）
  • Normalize（ImageNet 均值方差标准化）

2.7.2 正则化技术​

技术作用
Dropout随机丢弃神经元
DropPath随机丢弃整个层（Stochastic Depth）
Label Smoothing软化标签，防止过拟合
Mixup/CutMix数据混合增强

2.7.3 学习率调度​

2.7.3.1 Cosine Annealing with Warmup​

ViT 训练通常采用先 warmup 再余弦退火的学习率调度：前 5 个 epoch 线性升温到基础学习率（如 1e-3），之后按余弦曲线衰减至最小值（如 1e-5），总训练轮数一般为 300 epoch。

2.8 小结​

组件设计选择
Patch Embedding16×16 卷积，stride=16
位置编码可学习的 1D 位置编码
EncoderPre-Norm，GELU 激活
分类CLS Token + 线性层

3. 关键变体与演进​

3.1 变体概览​

ViT 的后续工作主要围绕三个方向展开：数据效率、层级结构、自监督预训练。

具体来说：DeiT 解决的是"没有海量标注数据时如何训练 ViT"的问题；Swin Transformer 和 PVT 引入层级特征图和线性复杂度注意力，使 ViT 能胜任检测、分割等密集预测任务；MAE 和 BEiT 则探索无标签自监督预训练，让模型从原始图像中学习通用视觉表征。理解这三条线索，有助于在后续章节中判断不同视觉编码器为何适合不同的下游场景。

3.2 ViT 的局限性​

原始 ViT 的几个关键问题：

问题描述
数据饥渴需要 JFT-300M 等超大数据集才能超越 CNN
计算复杂度O(n²) 的注意力机制，高分辨率图像计算量较大
缺乏层级特征单一分辨率，不适合检测、分割等密集任务
位置编码限制固定分辨率，难以处理可变尺寸输入

3.3 DeiT：数据高效的训练策略​

ViT 的数据瓶颈能否不靠海量数据来解决？DeiT 的答案是：用已有的 CNN 模型做"教师"，通过知识蒸馏把 CNN 积累的归纳偏置传授给 ViT，在 ImageNet-1K 规模下就能训练出有竞争力的模型。

DeiT 蒸馏 token 机制（DeiT, Fig.2）
DeiT 蒸馏 token 机制（DeiT, Fig.2）

3.3.1 核心贡献​

DeiT 证明了只用 ImageNet-1K 也能训练出有竞争力的 ViT。

关键点：

  • 知识蒸馏：用 CNN 教师模型指导 ViT 学生模型
  • 强数据增强：RandAugment、Mixup、CutMix
  • 正则化：Stochastic Depth、Label Smoothing

3.3.2 蒸馏 Token​

输入序列: [CLS, Distill, P1, P2, ..., P196]
           ↑      ↑
         分类   蒸馏
         Token  Token
# DeiT 关键设计：在 CLS token 之外新增一个蒸馏 token
self.cls_token = nn.Parameter(torch.zeros(1, 1, embed_dim))
self.dist_token = nn.Parameter(torch.zeros(1, 1, embed_dim))

# forward 中的核心逻辑
x = torch.cat([cls_tokens, dist_tokens, x], dim=1)  # 拼接 CLS + Distill + Patches
cls_output, dist_output = x[:, 0], x[:, 1]           # 分别取两个特殊 token 的输出
# 训练时分别计算分类损失和蒸馏损失；推理时取两者预测的平均

3.3.3 训练策略​

3.3.3.1 蒸馏损失​

蒸馏损失由两部分加权组成：hard loss 是学生预测与真实标签之间的交叉熵；soft loss 是学生与教师的 softmax 输出（经温度 T 软化）之间的 KL 散度，乘以 T² 以补偿梯度缩放。最终损失为 α · hard_loss + (1-α) · soft_loss，其中 α 控制两者的权重比例。

3.3.4 DeiT 成果​

模型ImageNet Top-1参数量训练数据
DeiT-Ti72.2%5MImageNet-1K
DeiT-S79.8%22MImageNet-1K
DeiT-B81.8%86MImageNet-1K
DeiT-B (蒸馏)83.4%86MImageNet-1K

3.4 Swin Transformer：层级化与窗口注意力​

Swin Shifted Window 机制（Swin Transformer, Fig.2）
Swin Shifted Window 机制（Swin Transformer, Fig.2）

3.4.1 核心创新​

Swin Transformer 主要解决了 ViT 的两类问题：

  1. 使用层级特征图，逐层降采样
  2. 使用窗口注意力，把复杂度从 O(n²) 降到 O(n)

3.4.2 架构对比​

ViT 架构:
输入 → [Patch 196个] → Transformer × 12 → 输出
       固定分辨率        全局注意力

Swin Transformer 架构:
输入 → Stage 1 (56×56) → Stage 2 (28×28) → Stage 3 (14×14) → Stage 4 (7×7)
       窗口注意力         Patch 合并        窗口注意力        窗口注意力

3.4.3 窗口注意力​

# WindowAttention 伪代码
# 1. 将特征图划分为 M×M 的不重叠窗口
# 2. 在每个窗口内独立计算多头自注意力
Q, K, V = linear(x).chunk(3)                    # 线性投影得到 Q/K/V
attn = softmax(Q @ K.T / sqrt(d) + rel_pos_bias)  # 注意力 + 相对位置偏置
out = attn @ V                                   # 加权聚合
# 3. 相邻层交替使用常规窗口和移动窗口（shifted window）
#    移动窗口使不同窗口之间能够交换信息

复杂度对比：

  • 全局注意力：O((HW)²)
  • 窗口注意力：O(HW × M²)，其中 M 为窗口大小

3.4.4 移动窗口​

Layer L (常规窗口):           Layer L+1 (移动窗口):
┌───┬───┬───┬───┐           ┌─┬───┬───┬───┬─┐
│ 1 │ 1 │ 2 │ 2 │           │ │   │   │   │ │
├───┼───┼───┼───┤           ├─┼───┼───┼───┼─┤
│ 1 │ 1 │ 2 │ 2 │    →      │ │ A │ A │ B │ │
├───┼───┼───┼───┤           ├─┼───┼───┼───┼─┤
│ 3 │ 3 │ 4 │ 4 │           │ │ A │ A │ B │ │
├───┼───┼───┼───┤           ├─┼───┼───┼───┼─┤
│ 3 │ 3 │ 4 │ 4 │           │ │   │   │   │ │
└───┴───┴───┴───┘           └─┴───┴───┴───┴─┘
                            移动 (M/2, M/2)

3.4.5 Patch Merging​

Patch Merging 的作用类似于 CNN 中的下采样：它将相邻 2×2 的 Patch 在通道维度上拼接（维度变为 4C），再通过一个线性层降维到 2C，从而使空间分辨率减半、通道数翻倍。这一操作在每个 Stage 之间执行，构建出类似 FPN 的多尺度特征金字塔。

3.4.6 Swin 模型配置​

模型层数 [C, 隐藏维度]参数量ImageNet
Swin-T[2,2,6,2], C=9629M81.3%
Swin-S[2,2,18,2], C=9650M83.0%
Swin-B[2,2,18,2], C=12888M83.5%
Swin-L[2,2,18,2], C=192197M86.4%

3.5 MAE：掩码自编码器​

ViT 的基本结构已经清楚了，但结构只是一半——另一半是"如何训练"。DeiT 解决的是有标签数据不足的问题，而现实中更大的瓶颈往往是标注本身：标注数百万张图片耗时费力。自监督预训练提供了另一条路：让模型从无标签图像中自己学习结构性知识。预训练方式决定了 ViT 学到什么类型的特征，这直接影响在 VLA 中的适用性——接下来介绍视觉领域最具影响力的自监督预训练方案 MAE，以及它为何在需要空间细节的机器人任务中格外出色。

MAE 编码器-解码器预训练框架（MAE, Fig.1）
MAE 编码器-解码器预训练框架（MAE, Fig.1）

3.5.1 核心思想​

MAE 将 NLP 的掩码预训练迁移到视觉领域：

  1. 随机遮挡 75% 的 Patch
  2. Encoder 只处理可见 Patch
  3. Decoder 重建被遮挡的 Patch

3.5.2 为什么 75% 这么高？​

模态掩码比例原因
文本 (BERT)15%语言有强语义依赖
图像 (MAE)75%图像冗余高，需要更高难度

3.5.3 架构设计​

原始图像 (196 Patches)
        ↓
随机遮挡 75% (保留 49 Patches)
        ↓
┌─────────────────────┐
│   ViT Encoder       │ ← 只处理可见 Patch
│   (大，深)          │
└─────────────────────┘
        ↓
添加 Mask Tokens (回到 196)
        ↓
┌─────────────────────┐
│   轻量 Decoder      │ ← 重建所有 Patch
│   (小，浅)          │
└─────────────────────┘
        ↓
重建像素值

3.5.4 代码实现​

# MAE 核心逻辑伪代码

# 1. Random Masking — 随机保留 25% 的 Patch
noise = torch.rand(B, N)
ids_keep = argsort(noise)[:, :N*0.25]
x_visible = gather(patches, ids_keep)        # 只保留可见 Patch

# 2. Encoder — 只处理可见 Patch（大幅节省计算）
x_encoded = vit_encoder(x_visible)           # 大而深的 ViT Encoder

# 3. Decoder — 补回 mask token，重建所有 Patch
mask_tokens = learnable_mask_token.repeat(N*0.75)
x_full = concat(x_encoded, mask_tokens)      # 恢复到完整序列
x_full = reorder(x_full, ids_restore)        # 按原始位置排列
x_decoded = lightweight_decoder(x_full)      # 小而浅的 Decoder
pixel_pred = linear(x_decoded)               # 预测每个 Patch 的像素值

3.5.5 损失函数​

MAE 的损失函数为均方误差（MSE），仅在被遮挡的 Patch 位置上计算预测像素值与真实像素值之间的重建误差，可见 Patch 不参与损失计算。

3.5.6 MAE 的优势​

优势说明
训练效率高只处理 25% 的 Patch
强表示学习高遮挡率迫使模型学习全局语义
无需标签自监督预训练，数据成本低
迁移能力强下游任务微调效果优秀

3.6 其他重要变体​

3.6.1 CvT（Convolutional Vision Transformer）​

CvT 层级卷积投影结构（CvT, Fig.2）
CvT 层级卷积投影结构（CvT, Fig.2）

CvT 的核心思路是用卷积替代 ViT 中的线性投影：Patch Embedding 阶段使用多层卷积（如 7×7 + 3×3）逐步降采样，而非一步到位的大 stride 卷积；在注意力模块内部，Q/K/V 的投影也替换为深度可分离卷积（depthwise conv），从而在不增加太多计算量的前提下引入局部归纳偏置。这种设计让 CvT 在小数据集上的表现优于原始 ViT。

3.6.2 PVT（Pyramid Vision Transformer）​

PVT 金字塔结构（PVT, Fig.3）
PVT 金字塔结构（PVT, Fig.3）
Stage分辨率Token 数通道数
1H/4 × W/4313664
2H/8 × W/8784128
3H/16 × W/16196320
4H/32 × W/3249512

3.6.3 CrossViT​

CrossViT 架构示意（CrossViT, PDF p.2）
CrossViT 架构示意（CrossViT, PDF p.2）
┌─────────────────┐    ┌─────────────────┐
│  小 Patch 分支   │    │  大 Patch 分支   │
│  (细粒度特征)    │ ←→ │  (粗粒度特征)    │
│  Patch=12×12    │    │  Patch=16×16    │
└─────────────────┘    └─────────────────┘
        │                      │
        └──────── CLS 融合 ────┘

3.6.4 BEiT（BERT Pre-training of Image Transformers）​

BEiT 预训练流程（BEiT, Fig.1）
BEiT 预训练流程（BEiT, Fig.1）
1. 使用 dVAE 将图像编码为离散 Token
2. 随机遮挡部分 Patch
3. 预测被遮挡位置的 dVAE Token（而非像素）

3.7 变体对比总结​

模型核心创新解决的问题计算复杂度
ViTPatch + Transformer开创性工作O(n²)
DeiT知识蒸馏 + 数据增强减少数据依赖O(n²)
Swin窗口注意力 + 层级结构高分辨率 + 密集任务O(n)
MAE高比例掩码 + 自监督无标签预训练O(n²)
PVT金字塔特征密集预测任务O(n)
CvT卷积增强引入归纳偏置O(n²)

3.8 如何选择？​

场景推荐模型
ImageNet 分类DeiT / ViT
目标检测 / 分割Swin Transformer
自监督预训练MAE / BEiT
小数据集DeiT (蒸馏) / CvT
高分辨率图像Swin / PVT

4. 与 VLA 的连接​

学完整章 ViT，有必要显式地看一下这些知识在具身智能中的落地方式。

ViT 是 VLA 视觉编码器的基础结构。 当前主流视觉编码器——CLIP、SigLIP、DINOv2——全部基于 ViT，它们的区别在于预训练目标，而非网络骨干。理解 ViT 的分块机制、注意力结构和位置编码，是读懂后续 VLM/VLA 论文的前提。

Patch 大小直接影响推理成本。 Patch 大小决定了视觉 token 数量，进而决定 LLM 需要处理的序列长度。以 ViT-L/14 为例，224×224 输入产生 256 个视觉 token；若用 448×448 高分辨率，token 数翻至 1024，LLM 的计算量随之急剧上升。这是 VLA 在部署时必须面对的工程权衡。

CLS token vs 全 patch token。 分类任务只需 CLS token，但 VLA 的操控任务需要精确的空间定位信息（“哪个 patch 对应桌面上的杯子”）。因此 VLA 通常将全部 patch token 送入语言模型，而不只取 CLS——这一设计选择使视觉 token 数量成为系统瓶颈之一。

预训练方式决定特征类型，进而影响任务适配性。 MAE 预训练的 ViT 擅长保留局部空间细节，更适合需要精细操控的机器人任务；CLIP/SigLIP 的对比预训练赋予特征强语义对齐能力，更适合指令理解和跨模态检索。实践中，VLA 往往在 CLIP/SigLIP 编码器上继续用 MAE 风格目标微调，以兼顾语义与空间两类能力。

5. 参考资料​

5.1 ViT 与实现​

5.2 变体论文​

Last updated on by ruyiluo