UniMerNet 是一个针对数学公式的 TrOCR 模型. 基本上, 他是一个 Donut 的变体, 包含一个修改过的 Swin Encoder 和一个修改过的 BART Decoder.
由于他们的官方代码大量从 transformers 库中复制, 所以非常混乱, 嵌套了数不清层的类, 所以专门写一下 Blog 记录我一中午的阅读成果.
类层次
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
| model: unimernet.UniMERModel
tokenizer: encoder_decoder.DonutTokenizer
model: encoder_decoder.DonutEncoderDecoder
model: encoder_decoder.CustomVisionEncoderDecoderModel
encoder: encoder_decoder.VariableUnimerNetModel (SwinModel - layernorm + *embeddings)
num_layers: int
num_features: int
embeddings: encoder_decoder.VariableUnimerNetEmbeddings (SwinEmbeddings + *patch_embeddings - interpolate_pos_encoding)
patch_embeddings: encoder_decoder.VariableUnimerNetPatchEmbeddings (SwinPatchEmbeddings + StemLayer)
projection: encoder_decoder.StemLayer (FGE)
encoder: UnimerNetEncoder (SwinEncoder + *UnimerNetStage)
layers: [UnimerNetStage (SwinStage + ConvEnhance)]
blocks: [UnimerNetLayer (SwinLayer + ConvEnhance + shift_size=0)]
shift_size: 0 (RSW)
layernorm_before: LayerNorm
ce: [ConvEnhance] (CE)
attention: SwinAttention
drop_path: SwinDropPath
layernorm_after: LayerNorm
intermediate: SwinIntermediate
output: SwinOutput
pooler: AdaptiveAvgPool1d
decoder: encoder_decoder.CustomMBartForCausalLM
model.decoder: modeling_unimernet_decoder.MBartDecoder (or CustomMBartDecoder) (BardDecoder - spda + squeeze_attn + layernorm + count(todo, currently none))
embed_tokens: BartScaledWordEmbedding
embed_positions: BartLearnedPositionalEmbedding
layers: [MBartDecoderLayer]
*_attn: MBartSqueezeAttention / MBartFlashAttention2 (SA)
layernorm_embedding: LayerNorm
layer_norm: LayerNorm
processor: unimernet.processors.formula_processor.FormulaImageEvalProcessor
|
上述层次图基本展示了重要功能模块的组成, 并标注了论文中宣称的 FGE, RSW, CE, SA 对应在源码中的具体位置.
四点改进
Fine-Grained Embedding(FGE)
UniMerNet 把 Swin Encoder 中 “把图片分为不重叠的 Patch + 线性映射”(PatchEmbeddings 中的 projection)的操作更换为两次卷积:
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
| class StemLayer(nn.Module):
"""
Stem layer of InternImage
Args:
in_chans (int): number of input channels
out_chans (int): number of output channels
act_layer (str): activation layer
norm_layer (str): normalization layer
"""
def __init__(self,
in_chans=3,
out_chans=96,
act_layer=nn.GELU,
norm_layer='BN'):
super().__init__()
self.conv1 = nn.Conv2d(in_chans,
out_chans // 2,
kernel_size=3,
stride=2,
padding=1)
self.norm1 = build_norm_layer(out_chans // 2, norm_layer)
self.act = act_layer()
self.conv2 = nn.Conv2d(out_chans // 2,
out_chans,
kernel_size=3,
stride=2,
padding=1)
def forward(self, x):
x = self.conv1(x)
x = self.norm1(x)
x = self.act(x)
x = self.conv2(x)
return x
|
把 patch 换成卷积已经是一个很常见的魔改了, 而且好处很多, 能加快收敛, 提高表现等等, 详细讨论见 Early Convolutions Help Transformers See Better.
Convolutional Enhancement(CE)
UniMerNet 认为 Transformer 能较好地捕捉全局信息, 但是对于数学公式识别来说, 一些局部信息(小的上下标等)也很重要. 所以, 他们在每个 Swin Layer 的 Window Attention 和 MLP 层之前都加了一个 Kernel Size = 3*3, Stride = 1 的卷积, 也即 Convolutional Enhancement 模块:
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
| class ConvEnhance(nn.Module):
"""
Depth-wise convolution to get the positional information.
"""
def __init__(self, config, dim, k=3):
super(ConvEnhance, self).__init__()
self.proj = nn.Conv2d(dim,
dim,
(k,k),
(1,1),
(k // 2,k // 2),
groups=dim)
self.act_fn = ACT2FN[config.hidden_act]
def forward(self, x, size: Tuple[int, int]):
B, N, C = x.shape
H, W = size
assert N == H * W
feat = x.transpose(1, 2).view(B, C, H, W)
feat = self.proj(feat)
feat = self.act_fn(feat)
feat = feat.flatten(2).transpose(1, 2)
x = x + feat
return x
|
这里的激活函数选用的是 GELU.
Removal of Shift Window(RSW)
Swin 原版设计 Shift Window based Multi-Head Self-Attention(SW-MSA) 是想解决多个 Window 之间互相沟通的问题. 由于前面的魔改主要是加入了大量的卷积, 多个 Window 之间已经有了沟通, 或者说"模型的感受野已经很大了", 所以这个模块也就没必要存在了, 删掉还能加速. 此外根据他们的实验, 删掉之后模型表现也会提升.
官方的实现没有直接删掉相关代码, 而是把 SwinLayer 的 shift_size 参数设置为 0 来关掉这个步骤:
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
| class UnimerNetStage(nn.Module):
def __init__(self, config, dim, input_resolution, depth, num_heads, drop_path, downsample):
super().__init__()
self.config = config
self.dim = dim
self.blocks = nn.ModuleList(
[
UnimerNetLayer(
config=config,
dim=dim,
input_resolution=input_resolution,
num_heads=num_heads,
shift_size=0,
)
for i in range(depth)
]
)
if downsample is not None:
self.downsample = downsample(input_resolution, dim=dim, norm_layer=nn.LayerNorm)
else:
self.downsample = None
self.pointing = False
|
Squeeze Attention(SA)
这是一个用于提速的改进. 原本的 BART Attention 的 q 和 k 是和 embed_dim 一样大的. 这可能有点多余了, 所以 UniMerNet 中直接把这个维度砍半, 实验发现性能损失很小, 但是推理速度快了不少. 代码大部分都是照搬 BART Attention, 只是在相关的地方修改了 shape 而已, 这里就不贴了.
干净实现
Repo.
主要是删除了大量复制的代码, 能继承 transformers 的就继承. 此外, 还把原版自己造的接口换成了 transformers 类似的接口, 包括 VisionEncoderDecoder 和 Processor 等.