不知道CV方向的同学在读论文的时候有没有发现这样一个问题：论文的核心思想很简单，但当你找这篇论文的核心代码时发现，作者提供的源码模块会嵌入到分类、检测、分割等任务框架中，这时候如果你对某一特定框架不熟悉，尽管核心代码只有十几行，依然会发现很难找出。

今天我就帮大家解决一部分这个问题，还记得上次分享的attention论文合集吗？没印象的同学点这里。

这次总结了这30篇attention论文中的核心代码分享，还有一部分其他系列的论文，比如ReP、卷积级数等，核心代码与原文都整理了。

由于篇幅和时间原因，暂时只分享了一部分，需要全部论文以及完整核心代码的同学看文末

Attention论文

1、Axial Attention in Multidimensional Transformers

核心代码

from model.attention.Axial_attention import AxialImageTransformer
import torchif __name__ == '__main__':input=torch.randn(3, 128, 7, 7)model = AxialImageTransformer(dim = 128,depth = 12,reversible = True)outputs = model(input)print(outputs.shape)

2、CCNet: Criss-Cross Attention for Semantic Segmentation

核心代码

from model.attention.CrissCrossAttention import CrissCrossAttention
import torchif __name__ == '__main__':input=torch.randn(3, 64, 7, 7)model = CrissCrossAttention(64)outputs = model(input)print(outputs.shape)

3、Aggregating Global Features into Local Vision Transformer

核心代码

from model.attention.MOATransformer import MOATransformer
import torchif __name__ == '__main__':input=torch.randn(1,3,224,224)model = MOATransformer(img_size=224,patch_size=4,in_chans=3,num_classes=1000,embed_dim=96,depths=[2, 2, 6],num_heads=[3, 6, 12],window_size=14,mlp_ratio=4.,qkv_bias=True,qk_scale=None,drop_rate=0.0,drop_path_rate=0.1,ape=False,patch_norm=True,use_checkpoint=False)output=model(input)print(output.shape)

4、CROSSFORMER: A VERSATILE VISION TRANSFORMER HINGING ON CROSS-SCALE ATTENTION

核心代码

from model.attention.Crossformer import CrossFormer
import torchif __name__ == '__main__':input=torch.randn(1,3,224,224)model = CrossFormer(img_size=224,patch_size=[4, 8, 16, 32],in_chans= 3,num_classes=1000,embed_dim=48,depths=[2, 2, 6, 2],num_heads=[3, 6, 12, 24],group_size=[7, 7, 7, 7],mlp_ratio=4.,qkv_bias=True,qk_scale=None,drop_rate=0.0,drop_path_rate=0.1,ape=False,patch_norm=True,use_checkpoint=False,merge_size=[[2, 4], [2,4], [2, 4]])output=model(input)print(output.shape)

5、Vision Transformer with Deformable Attention

核心代码

from model.attention.DAT import DAT
import torchif __name__ == '__main__':input=torch.randn(1,3,224,224)model = DAT(img_size=224,patch_size=4,num_classes=1000,expansion=4,dim_stem=96,dims=[96, 192, 384, 768],depths=[2, 2, 6, 2],stage_spec=[['L', 'S'], ['L', 'S'], ['L', 'D', 'L', 'D', 'L', 'D'], ['L', 'D']],heads=[3, 6, 12, 24],window_sizes=[7, 7, 7, 7] ,groups=[-1, -1, 3, 6],use_pes=[False, False, True, True],dwc_pes=[False, False, False, False],strides=[-1, -1, 1, 1],sr_ratios=[-1, -1, -1, -1],offset_range_factor=[-1, -1, 2, 2],no_offs=[False, False, False, False],fixed_pes=[False, False, False, False],use_dwc_mlps=[False, False, False, False],use_conv_patches=False,drop_rate=0.0,attn_drop_rate=0.0,drop_path_rate=0.2,)output=model(input)print(output[0].shape)

6、Separable Self-attention for Mobile Vision Transformers

核心代码

from model.attention.MobileViTv2Attention import MobileViTv2Attention
import torch
from torch import nn
from torch.nn import functional as Fif __name__ == '__main__':input=torch.randn(50,49,512)sa = MobileViTv2Attention(d_model=512)output=sa(input)print(output.shape)

7、On the Integration of Self-Attention and Convolution

核心代码

from model.attention.ACmix import ACmix
import torchif __name__ == '__main__':input=torch.randn(50,256,7,7)acmix = ACmix(in_planes=256, out_planes=256)output=acmix(input)print(output.shape)

8、Non-deep Networks

核心代码

from model.attention.ParNetAttention import *
import torch
from torch import nn
from torch.nn import functional as Fif __name__ == '__main__':input=torch.randn(50,512,7,7)pna = ParNetAttention(channel=512)output=pna(input)print(output.shape) #50,512,7,7

9、UFO-ViT: High Performance Linear Vision Transformer without Softmax

核心代码

from model.attention.UFOAttention import *
import torch
from torch import nn
from torch.nn import functional as Fif __name__ == '__main__':input=torch.randn(50,49,512)ufo = UFOAttention(d_model=512, d_k=512, d_v=512, h=8)output=ufo(input,input,input)print(output.shape) #[50, 49, 512]

10、Coordinate Attention for Efficient Mobile Network Design

核心代码

from model.attention.CoordAttention import CoordAtt
import torch
from torch import nn
from torch.nn import functional as Finp=torch.rand([2, 96, 56, 56])
inp_dim, oup_dim = 96, 96
reduction=32coord_attention = CoordAtt(inp_dim, oup_dim, reduction=reduction)
output=coord_attention(inp)
print(output.shape)

ReP论文

1、RepVGG: Making VGG-style ConvNets Great Again

核心代码

from model.rep.repvgg import RepBlock
import torchinput=torch.randn(50,512,49,49)
repblock=RepBlock(512,512)
repblock.eval()
out=repblock(input)
repblock._switch_to_deploy()
out2=repblock(input)
print('difference between vgg and repvgg')
print(((out2-out)**2).sum())

2、ACNet: Strengthening the Kernel Skeletons for Powerful CNN via Asymmetric Convolution Blocks

核心代码

from model.rep.acnet import ACNet
import torch
from torch import nninput=torch.randn(50,512,49,49)
acnet=ACNet(512,512)
acnet.eval()
out=acnet(input)
acnet._switch_to_deploy()
out2=acnet(input)
print('difference:')
print(((out2-out)**2).sum())

卷积级数论文

1、CondConv: Conditionally Parameterized Convolutions for Efficient Inference

核心代码

from model.conv.CondConv import *
import torch
from torch import nn
from torch.nn import functional as Fif __name__ == '__main__':input=torch.randn(2,32,64,64)m=CondConv(in_planes=32,out_planes=64,kernel_size=3,stride=1,padding=1,bias=False)out=m(input)print(out.shape)

2、Dynamic Convolution: Attention over Convolution Kernels

核心代码

from model.conv.DynamicConv import *
import torch
from torch import nn
from torch.nn import functional as Fif __name__ == '__main__':input=torch.randn(2,32,64,64)m=DynamicConv(in_planes=32,out_planes=64,kernel_size=3,stride=1,padding=1,bias=False)out=m(input)print(out.shape) # 2,32,64,64

3、Involution: Inverting the Inherence of Convolution for Visual Recognition

核心代码

from model.conv.Involution import Involution
import torch
from torch import nn
from torch.nn import functional as Finput=torch.randn(1,4,64,64)
involution=Involution(kernel_size=3,in_channel=4,stride=2)
out=involution(input)
print(out.shape)

关注下方《学姐带你玩AI》🚀🚀🚀

回复“核心代码”获取全部论文+代码合集

码字不易，欢迎大家点赞评论收藏！