系列论文研读目录

---

---

论文中经常出现的如下图中所示结果，其中到底做了什么？

1、一张图片 经过self attention 和Feed forward 生成的是什么？

一张图片经过自注意力（self-attention）和前馈网络（feed-forward network）后，生成的是该图片的高级特征表示。这些特征表示可以用于多种任务，如图像分类、目标检测或图像生成。

具体流程如下：

1. 自注意力（Self-Attention）：
   • 自注意力机制会计算图像中不同部分之间的关系，允许模型关注图像中最重要的区域。
   • 通过计算每个像素（或特征）与其他像素之间的相关性，生成加权的特征表示。
2. 前馈网络（Feed-Forward Network）：
   • 在自注意力层之后，通常会经过一个前馈神经网络，对特征进行非线性变换。
   • 这个网络通常包括两个线性层和一个激活函数（如ReLU），用于进一步提炼特征。

结果：

• 高级特征表示：经过这两个步骤后，最终得到的是一个更为抽象和高维的特征表示，能够更好地捕捉图像的语义信息。
• 嵌入向量：这种表示可以被视为一个嵌入向量，适合用于后续的机器学习任务。

总结来说，自注意力和前馈网络的组合使得模型能够有效地理解和处理图像中的复杂信息。

举个具体计算的例子

下面是一个自注意力和前馈网络的计算示例，假设我们有一个小的图像特征表示。

假设条件

• 输入特征矩阵 $X$ 为$2\times 4$，代表两个特征向量，每个特征向量有四个维度。

$X=\left[\begin{array}{cccc}1& 0& 1& 0\\ 0& 1& 0& 1\end{array}\right]$

1. 自注意力计算

1.1 计算查询（Query）、键（Key）和值（Value）

我们定义查询、键和值的权重矩阵：

$W_Q=\left[\begin{array}{ccc}1& 0& 0\\ 0& 1& 0\\ 0& 0& 1\\ 0& 0& 1\end{array}\right],W_K=\left[\begin{array}{ccc}1& 0& 0\\ 0& 1& 0\\ 0& 0& 1\\ 0& 0& 1\end{array}\right],W_V=\left[\begin{array}{ccc}1& 0& 0\\ 0& 1& 0\\ 0& 0& 1\\ 0& 0& 1\end{array}\right]$

计算查询、键和值：

$Q=X{W}_Q=\left[\begin{array}{ccc}1& 0& 1\\ 0& 1& 1\end{array}\right],K=X{W}_K=\left[\begin{array}{ccc}1& 0& 1\\ 0& 1& 1\end{array}\right],V=X{W}_V=\left[\begin{array}{ccc}1& 0& 1\\ 0& 1& 1\end{array}\right]$

1.2 计算注意力权重

计算注意力分数：

$\text{Attention\_scores}=Q{K}^T=\left[\begin{array}{cc}2& 1\\ 1& 2\end{array}\right]$

然后进行 softmax 操作，得到注意力权重：

$\text{Attention\_weights}=\text{softmax}(\text{Attention\_scores})=\left[\begin{array}{cc}\frac{e^2}{e^2+e^1}& \frac{e^1}{e^2+e^1}\\ \frac{e^1}{e^2+e^1}& \frac{e^2}{e^2+e^1}\end{array}\right]\approx \left[\begin{array}{cc}0.731& 0.269\\ 0.269& 0.731\end{array}\right]$

1.3 计算输出

将注意力权重与值矩阵相乘：

$\text{Output}=\text{Attention\_weights}V=\left[\begin{array}{cc}0.731& 0.269\\ 0.269& 0.731\end{array}\right]\left[\begin{array}{ccc}1& 0& 1\\ 0& 1& 1\end{array}\right]=\left[\begin{array}{ccc}0.731& 0.269& 0.731\\ 0.269& 0.731& 0.731\end{array}\right]$

2. 前馈网络计算

假设前馈网络有两个线性层，权重矩阵为：

$W_1=\left[\begin{array}{cc}1& 0\\ 0& 1\\ 1& 1\end{array}\right],W_2=\left[\begin{array}{ccc}1& 0& 0\\ 0& 1& 1\end{array}\right]$

2.1 第一层计算

将输出传入第一层：

$H_1=\text{Output}{W}_1=\left[\begin{array}{ccc}0.731& 0.269& 0.731\\ 0.269& 0.731& 0.731\end{array}\right]\left[\begin{array}{cc}1& 0\\ 0& 1\\ 1& 1\end{array}\right]=\left[\begin{array}{cc}1.462& 1.000\\ 1.000& 1.462\end{array}\right]$

2.2 激活函数

应用激活函数（例如 ReLU）：

$H_1=\text{ReLU}(H_1)=\left[\begin{array}{cc}1.462& 1.000\\ 1.000& 1.462\end{array}\right]$

2.3 第二层计算

将第一层的输出传入第二层：

$H_2=H_1{W}_2=\left[\begin{array}{cc}1.462& 1.000\\ 1.000& 1.462\end{array}\right]\left[\begin{array}{ccc}1& 0& 0\\ 0& 1& 1\end{array}\right]=\left[\begin{array}{ccc}1.462& 1.000& 1.000\\ 1.000& 1.462& 1.462\end{array}\right]$

总结

经过自注意力和前馈网络处理后，我们得到了图像的高级特征表示 ( H_2 )。这个表示能够捕捉到图像中不同部分之间的关系和重要特征，为后续的任务（如分类或检测）提供了有用的信息。

2、在高级特征表示 ( H_2 ) 中，行和列分别具有特定的意义。

行的意义

• 样本或特征位置：每一行通常代表一个样本或特征位置。在图像处理的上下文中，行可以对应于图像中的特定区域或像素的特征表示。
• 不同模态或通道：如果处理的是多模态数据（例如图像和文本），每一行可能代表不同模态的特征。

列的意义

• 特征维度：每一列代表特征的不同维度或特征通道。这些特征维度是经过自注意力和前馈网络处理后提取的高级特征，能够捕捉到图像中的重要信息。
• 语义信息：列中的每个元素可以看作是该特征在不同语义层面的表示，反映了图像中不同部分的特征。

总结

• 行：表示不同样本或特征位置的特征。
• 列：表示特征的不同维度，反映了图像的高级语义信息。比如苹果，其特征的第一维可能是水果，第二维可能是互联网企业。

这种结构使得模型在处理图像时能够有效地捕捉和表示复杂的特征关系。

3、举个分类图片的用自注意力（self-attention）和前馈网络（feed-forward network）的例子

下面是一个使用自注意力和前馈网络进行图像分类的具体示例。

示例：图像分类任务

假设我们有一组图像，目标是通过自注意力机制和前馈网络来对这些图像进行分类，例如识别图像中的动物（如猫、狗、鸟）。

1. 数据准备

• 输入图像：假设我们有一张$32\times 32$ 的彩色图像，经过预处理后，我们将其转换为特征矩阵 $X$（例如通过卷积神经网络提取的特征），假设得到的特征矩阵为$1024\times 64$，其中$1024$ 是特征位置（如图像的每个区域），$64$是特征维度。

2. 自注意力计算

2.1 计算查询、键和值

我们定义查询、键和值的权重矩阵：
$W_Q,W_K,W_V\in {\mathbb{R}}^{64\times 64}$

计算查询、键和值：

$Q=X{W}_Q,K=X{W}_K,V=X{W}_V$

2.2 计算注意力权重

计算注意力分数：

$\text{Attention\_scores}=Q{K}^T$

进行 softmax 操作，得到注意力权重：

$\text{Attention\_weights}=\text{softmax}(\text{Attention\_scores})$

2.3 计算输出

将注意力权重与值矩阵相乘：

$\text{Output}=\text{Attention\_weights}V$

3. 前馈网络计算

假设前馈网络有两个线性层，权重矩阵为：

$W_1\in {\mathbb{R}}^{64\times 128},W_2\in {\mathbb{R}}^{128\times C}$

其中 ( C ) 是类别数（例如 3 类：猫、狗、鸟）。

3.1 第一层计算

将输出传入第一层：

$H_1=\text{Output}{W}_1$

3.2 激活函数

应用激活函数（如 ReLU）：

$H_1=\text{ReLU}(H_1)$

3.3 第二层计算

将第一层的输出传入第二层：

$H_2=H_1{W}_2$

4. 分类输出

最终的输出 $H_2$是一个 $1024\times C$的矩阵，其中每一行对应于图像中每个特征位置的分类结果。通过对每一行进行 softmax 操作，可以得到每个特征位置的类别概率。

5. 总结

• 自注意力：通过计算特征之间的关系，模型能够关注图像中最重要的区域，从而提升分类性能。
• 前馈网络：通过非线性变换，进一步提炼特征，最终输出每个类别的概率。

实际应用

在实际应用中，可以将上述结构整合到一个更大的网络中，例如 Vision Transformer（ViT），它使用自注意力机制处理图像数据并进行分类。这种方法在许多图像分类任务中表现出色。

在上述例子中，什么时候Attention_scores会高?

在上述图像分类的例子中，注意力分数（Attention_scores）会在以下情况下较高：

1. 特征相关性高

• 相似特征：如果图像中的某些区域（特征位置）具有相似的特征向量（例如颜色、纹理或形状），那么它们之间的点积（用于计算注意力分数）会较高。这表示这些区域在特征空间中是相互关联的。

2. 重要区域

• 关键区域：如果某些区域包含图像中最重要的对象（如动物的头部或眼睛），这些区域的特征向量与其他区域的特征向量的点积会较高，导致注意力分数上升。

3. 语义一致性

• 语义相似性：如果特征表示的区域在语义上是一致的（例如，背景和前景之间的关系），则它们之间的注意力分数也会较高。例如，猫的身体和头部特征可能会有较高的分数，因为它们在图像中语义上是相关的。

4. 自注意力机制的设计

• 注意力权重计算：自注意力机制通过计算查询（Q）和键（K）之间的点积来生成注意力分数。公式为：

${\text{Attention\_scores}}_{ij}=Q_i\cdot K_j$

如果查询$Q_i$ 和键$K_j$ 的特征向量相近（即它们的点积大），则${\text{Attention\_scores}}_{ij}$ 会较高。

5. 物体和背景的关系

• 物体与背景的关系：在一些情况下，特定物体的特征可能与背景特征高度相关，例如一只狗在草地上的图像，狗的特征与草地的特征可能会产生较高的注意力分数。

总结

注意力分数高的情况通常是因为特征之间存在高相关性或重要性，模型通过自注意力机制能够有效地聚焦于这些重要的区域，从而提升图像分类的性能。self理解：比如狗的patch和骨头的patch经过点乘很高，然后我在预测狗的时候，就把这个结果在最后的线性层中设置的要乘的系数高一点，这样的话就可以成功预测图片是狗。

4、高级特征表示 $H_2$ 包含CLS吗

在许多基于自注意力的模型（如 Transformer 和 Vision Transformer）中，通常会使用一个特殊的标记（token），称为 CLS（Classification Token），用于图像分类任务。

CLS Token 的作用

1. 聚合信息：CLS token 用于聚合输入序列中所有其他特征的信息。它的最终表示被视为整个输入的综合特征，适合用于分类任务。

2. 输出分类结果：在经过自注意力和前馈网络的处理后，CLS token 的输出通常会被送入一个线性层（或其他分类层）以生成最终的类别预测。

在 H_2 中的 CLS Token

• 包含 CLS Token：如果在模型中使用了 CLS token，那么最终的高级特征表示 $H_2$ 通常会包含这个 CLS token。它的表示会反映整个输入图像的特征信息。

• 结构：在输出矩阵$H_2$ 中，CLS token 通常位于第一行（或特定的位置），后续的行对应于其他特征位置的表示。

总结

在图像分类任务中，若使用 CLS token，最终的高级特征表示$H_2$ 会包含这个 token，其表示用于进行类别预测。

5、举个CLS用于分类的详细例子

当然可以！下面是一个详细的例子，展示如何在图像分类任务中使用 CLS token。

示例：使用 CLS Token 进行图像分类

1. 数据准备

假设我们有一张 $32\times 32$ 的彩色图像，经过卷积神经网络（CNN）处理后，提取出特征。我们将这些特征展平并输入到自注意力模型中。

2. 特征表示

• 特征矩阵：假设提取的特征矩阵$X$ 为$1024\times 64$，其中$1024$ 是特征位置（如图像的每个区域），$64$ 是特征维度。

• CLS Token：在特征矩阵前添加一个 CLS token，假设其维度与特征一致，即$1\times 64$。

$X^{\prime }=\left[\begin{array}{c}\text{CLS}\\ X\end{array}\right]\text{(尺寸为 }1025\times 64\text{)}$

3. 自注意力计算

3.1 计算查询、键和值

定义权重矩阵 $W_Q,W_K,W_V$：

$Q=X^{\prime }{W}_Q,K=X^{\prime }{W}_K,V=X^{\prime }{W}_V$

3.2 计算注意力权重

计算注意力分数：

$\text{Attention\_scores}=Q{K}^T$

进行 softmax 操作，得到注意力权重：

$\text{Attention\_weights}=\text{softmax}(\text{Attention\_scores})$

3.3 计算输出

将注意力权重与值矩阵相乘：

$\text{Output}=\text{Attention\_weights}V$

4. 前馈网络计算

4.1 第一层计算

将输出传入前馈网络的第一层：

$H_1=\text{Output}{W}_1$

4.2 激活函数

应用激活函数（如 ReLU）：

$H_1=\text{ReLU}(H_1)$

4.3 第二层计算

将第一层的输出传入第二层：

$H_2=H_1{W}_2$

5. 分类输出

• 提取 CLS Token 输出：在最终的输出 ( H_2 ) 中，第一行对应于 CLS token 的表示。这个表示综合了输入图像的所有特征信息。

$\text{CLS\_output}=H_2[0]\text{(第一行)}$

• 分类层：将 CLS token 的输出传入一个线性层进行类别预测：

$\text{Logits}=\text{CLS\_output}{W}_{class}$

• 最终预测：通过 softmax 操作得到最终的类别概率：

$\text{Predictions}=\text{softmax}(\text{Logits})$

6. 总结

• CLS Token 的作用：CLS token 在整个模型中起到聚合信息的作用。最终的输出通过 CLS token 来进行分类，能够有效地捕捉图像中最重要的特征信息。

• 应用场景：这种方法在 Vision Transformer（ViT）等模型中广泛使用，已在多个图像分类任务中取得了优异的效果。

6、详细写一下上面 分类输出 举个例子进行计算

当然可以！下面将详细展示如何计算分类输出，并通过具体的数值示例来说明。

示例：分类输出计算

假设我们已经通过自注意力和前馈网络处理了输入图像，并得到了最终的输出 ( H_2 )。我们将重点关注如何从 CLS token 的输出生成类别预测。

1. 假设的输出

假设经过自注意力和前馈网络处理后，得到的输出矩阵 ( H_2 ) 为：

$H_2=\left[\begin{array}{cccc}0.8& 0.2& 0.1& 0.4\\ 0.3& 0.6& 0.1& 0.2\\ 0.4& 0.1& 0.5& 0.3\\ 0.2& 0.3& 0.5& 0.6\\ ⋮& ⋮& ⋮& ⋮\\ 0.1& 0.4& 0.5& 0.2\end{array}\right]$

这里，$H_2$ 的第一行是 CLS token 的输出，后面的行对应于其他特征位置的输出。假设$H_2$ 的维度为$1025\times 4$，其中 4 表示类别数（例如：猫、狗、鸟、其他）。

2. 提取 CLS Token 输出

我们提取 CLS token 的输出：

$\text{CLS\_output}=H_2[0]=\left[\begin{array}{cccc}0.8& 0.2& 0.1& 0.4\end{array}\right]$

3. 分类层

假设我们有一个线性层的权重矩阵 $W_{class}$：

$W_{class}=\left[\begin{array}{cccc}1.0& -1.0& 0.5& 0.0\\ 0.0& 1.0& -1.0& 0.5\\ 0.5& 0.0& 1.0& -1.0\\ -1.0& 0.5& 0.0& 1.0\end{array}\right]\text{(尺寸为 }4\times 4\text{)}$

4. 计算 Logits

将 CLS token 的输出与分类层的权重矩阵相乘：

$\text{Logits}=\text{CLS\_output}\cdot W_{class}^T$

因此，Logits 的输出为：

$\text{Logits}=\left[\begin{array}{cccc}0.45& -0.4& 0.5& 0.25\end{array}\right]$

5. 计算概率

通过 softmax 函数将 logits 转换为概率：

$\text{Softmax}(x_i)=\frac{e^{x_i}}{{\sum }_j{e}^{x_j}}$

然后计算总和：

$\text{Sum}=1.568+0.670+1.649+1.284\approx 5.171$

6. 最终结果

最终的类别概率为：

$\text{Predictions}=\left[\begin{array}{cccc}0.304& 0.129& 0.319& 0.248\end{array}\right]$

7. 预测类别

根据概率值，预测类别为概率最高的类别。例如，在这个例子中，类别 3 的概率最高（约 0.319），因此模型预测该图像为 类别 3。

总结

通过使用 CLS token 和线性分类层，我们能够有效地将图像特征转换为类别预测。这个过程展示了如何从模型的输出中提取信息并进行最终的分类。

7、既然$H_2$[0]中已经有了对每个类别的预测，那么为什么还要乘以线性层的权重矩阵

这是一个很好的问题！让我们深入探讨一下为什么在使用 CLS token 输出进行分类时，还需要乘以线性层的权重矩阵 $W_{class}$。

1. CLS Token 的输出

在自注意力模型中，CLS token 的输出$H_2[0]$确实包含了输入图像的综合特征表示。这些特征表示可以包含关于不同类别的信息，但它们并不是直接的类别预测。

2. 特征到类别的映射

• 特征空间：CLS token 的输出是一个特征向量，通常维度较高（例如 64 或 128）。这些特征并不能直接表示类别，而是一个在特征空间中的点，上述例子中长度为4与类别数刚好相同，属于巧合。

• 线性层的作用：乘以线性层的权重矩阵$W_{class}$ 的目的是将这些高维特征映射到类别空间。线性层通过学习到的权重，将特征空间中的信息转换为具体的类别预测。

3. 分类的必要性

• 非线性变换：虽然在某些情况下，CLS token 的输出可能包含类别信息，但为了提高分类的准确性，通常需要通过线性层进行变换。这一过程可以看作是对特征的进一步处理，以便更好地适应分类任务。

• 模型学习：线性层的权重是在训练过程中学习到的，它们能够帮助模型更好地理解特征与类别之间的关系。没有这一层，模型可能无法有效地进行类别区分。

4. 举例说明

假设 CLS token 的输出$H_2[0]$ 为：

$H_2[0]=\left[\begin{array}{cccc}0.8& 0.2& 0.1& 0.4\end{array}\right]$]

这并不是类别概率，而是一个特征表示。在经过线性层$W_{class}$的变换后，得到了 logits：

$\text{Logits}=H_2[0]\cdot W_{class}^T$

这个 logits 向量才是与每个类别相关的分数，经过 softmax 转换后才能得到概率分布。
‌反向传播是在计算Softmax之后进行的。‌ 在神经网络中，Softmax层通常位于网络的最后一层或某个输出层，其作用是将模型的输出转换为概率分布。计算Softmax之后，通常会接一个损失函数，如交叉熵损失，来计算预测值与真实值之间的差异。反向传播就是从这个损失函数开始，通过链式法则逐步计算各层参数的梯度，进而更新网络参数的过程‌。

5. 总结

• 特征与类别的区分：CLS token 的输出是特征表示，而不是直接的类别预测。线性层的引入是为了将这些特征有效地映射到类别空间，并通过学习到的权重优化预测结果。

• 增强模型能力：通过这一过程，模型能够更好地理解和学习特征与标签之间的复杂关系，从而提高分类性能。

8、$H_2$的第一行是怎么做到综合了输入图像的所有特征信息。

在使用自注意力机制的模型（如 Transformer 或 Vision Transformer）中，CLS token 的第一行（即 ( H_2[0] )）综合了输入图像的所有特征信息，主要通过以下几个步骤实现：

1. 自注意力机制

自注意力机制允许模型在处理输入时考虑所有位置的特征。具体来说：

• 查询、键和值：对于每个输入特征，模型会计算查询（Q）、键（K）和值（V）。这些表示是通过线性变换得到的。

• 注意力权重：模型计算每个特征与其他特征的相关性（即注意力分数），通过计算查询与所有键的点积，得到注意力权重。

$\text{Attention\_scores}=Q{K}^T$

• 加权求和：注意力权重用于加权求和所有值，这样每个位置的输出都包含了来自其他位置的信息。${\text{Output}}_i={\sum }_j{\text{Attention\_weights}}_{ij}{V}_j$

2. CLS Token 的角色

• 初始化：CLS token 是在输入序列的最前面添加的一个特殊标记，模型在训练时会学习如何利用这个 token 来聚合信息。

• 信息聚合：在自注意力层中，CLS token 会与其他特征进行交互。通过自注意力机制，CLS token 能够接收到来自所有输入特征的信息。这意味着它的最终表示将综合考虑输入图像中所有区域的特征。

3. 多层处理

• 层叠结构：在 Transformer 模型中，通常会有多个自注意力层和前馈网络层。每一层都会对输入进行变换，进一步提炼和聚合信息。CLS token 在每一层中都会更新其表示，最终得到一个综合的特征表示。

4. 最终输出

• 综合特征：经过多层处理后，CLS token 的输出（即 $H_2[0]$）将包含整个输入图像的特征信息。这个输出不仅仅是简单的特征平均，而是通过自注意力机制对各个特征的加权组合，能够有效捕捉图像中重要的上下文信息。

5. 总结

CLS token 的第一行$H_2[0]$综合了输入图像的所有特征信息，主要依赖于自注意力机制的设计，通过与其他特征的交互和多层处理，使得这个 token 能够有效地聚合和表示整个输入的特征。这样，模型就能够利用这个综合特征进行后续的分类任务。SELF理解：也就是说因为我最后需要通过CLS来预测图像分类，我模型就是这么训练的，显而易见他就应该在计算过程中手机各种信息，这里用了反向推理的思想。

9、为什么$H_2$的其他行无法做到综合了输入图像的所有特征信息。

这是一个很好的问题！让我们详细探讨一下为什么$H_2$ 的其他行（即非 CLS token 的行）无法像 CLS token 那样综合输入图像的所有特征信息。

1. 特征表示的角色

在自注意力机制中，每一行的输出表示了对应输入特征的加权组合。这些行的输出主要反映了其自身及其与其他特征的关系，但它们并不是设计用来聚合整个输入的信息。

2. 自注意力机制的工作原理

• 位置依赖：每个特征位置（如图像的不同区域）在自注意力计算中只与其他特征进行交互。虽然它们能够接收到来自其他特征的信息，但每个特征的输出仍然主要依赖于其自身的上下文。

• 权重分配：对于每个特征位置，注意力机制会根据与其他特征的相关性计算权重。这意味着，特定特征位置的输出会受到其邻近特征的影响，但它并不具备像 CLS token 那样的全局视野。

3. CLS Token 的特殊性

• 全局聚合：CLS token 是一个特殊的标记，其设计目的是在整个输入序列中聚合信息。在自注意力层中，CLS token 与所有其他特征进行交互，因此它的表示能够综合所有特征的信息。

• 信息更新：随着模型的层数增加，CLS token 的表示会不断更新，逐渐融合来自不同特征的上下文信息，形成一个更全面的特征表示。

4. 其他行的局限性

• 局部视角：其他行的输出虽然包含了来自其他特征的信息，但它们主要反映了特定特征位置的上下文，而不是全局信息。因此，它们的表示在一定程度上是局部的。

• 不具备聚合能力：其他特征行并不是设计用来聚合所有输入信息的，它们的输出更像是对特定区域特征的表征，无法像 CLS token 那样有效地整合全局信息。

5. 举例说明

假设我们有一个图像，经过处理后得到的特征矩阵 $H_2$ 为：

$H_2=\left[\begin{array}{c}\text{CLS}\\ \text{特征位置 1}\\ \text{特征位置 2}\\ \text{特征位置 3}\\ ⋮\\ \text{特征位置 1024}\end{array}\right]$

• CLS Token：经过自注意力机制，CLS token 的表示综合了所有特征位置的信息。

• 其他特征位置：例如，特征位置 1 的输出仅反映了该位置及其相邻位置的特征信息，无法全面捕捉整个图像的特征。

6. 总结

因此，虽然 $H_2$ 的其他行包含了一定的上下文信息，但它们并不具备像 CLS token 那样的全局聚合能力。CLS token 的设计和自注意力机制的运作使其能够有效地综合整个输入的特征信息，从而为分类任务提供一个强有力的特征表示。

10、那CLS的初始化是怎样的

CLS token 的初始化通常是在模型结构设计时预先定义的，具体步骤如下：

1. CLS Token 的定义

• 特殊标记：CLS token 是一个特殊的标记，通常用一个固定的向量来表示。这个向量在模型训练之前就已经定义，并在训练过程中会被更新。

2. 初始化方式

• 随机初始化：CLS token 通常会随机初始化为一个与其他输入特征相同维度的向量。这意味着它的初始值是随机生成的，通常遵循某种正态分布或均匀分布。

• 与其他特征相同维度：如果输入特征的维度为 $d$，那么 CLS token 的初始向量也会是$d$ 维的。例如，如果输入特征的维度是 768，CLS token 的初始化向量也是 768 维。

3. 在输入序列中的位置

• 添加到输入序列：在输入序列中，CLS token 通常被放置在序列的最前面。这样，模型在处理输入时会首先接触到这个特殊标记。

4. 训练过程中的更新

• 学习更新：在训练过程中，CLS token 会通过反向传播不断更新，以适应特定任务的需求。模型会根据损失函数的反馈调整 CLS token 的值，使其能够更好地代表整个输入的特征信息。

5. 具体示例

假设输入特征的维度为 768，CLS token 的初始化可以表示为：

${\text{CLS}}_{\text{init}}=\text{Random}(\text{size}=768)$

在训练开始时，这个 CLS token 会被赋予一个随机值，例如：

${\text{CLS}}_{\text{init}}=\left[\begin{array}{ccccc}0.1& -0.2& 0.3& \dots & 0.05\end{array}\right]$

6. 总结

CLS token 的初始化是一个随机过程，目的是为模型提供一个起始的特征表示。在训练过程中，CLS token 的值会根据任务需求不断更新，以便更好地聚合输入信息，最终用于分类等任务。

11、那我已经有了CLS，在$H_2$中其他特征还有什么用呢?

虽然 CLS token 在 $H_2$ 中起到了聚合整个输入特征信息的作用，但其他特征行仍然具有重要的作用，具体如下：

1. 丰富的上下文信息

• 局部特征表示：其他特征行（即非 CLS token 的行）提供了输入图像的局部特征表示。这些特征能够捕捉到图像中各个区域的细节信息，反映出不同部分的特征。

2. 辅助决策

• 多样化信息：在某些情况下，特定类别可能与特定区域的特征密切相关。其他特征行可以为模型提供多样化的信息，帮助模型更好地理解输入。

3. 细粒度分类

• 细分任务：在一些细粒度分类任务中，模型可能需要利用局部特征来进行更精确的判断。例如，在识别动物种类时，某些特征可能与特定的身体部位（如耳朵、尾巴）相关。

4. 提升模型表现

• 增强模型能力：通过结合 CLS token 的全局信息和其他特征的局部信息，模型能够更全面地理解输入，从而提升分类性能。

5. 适应不同的任务

• 多任务学习：在多任务学习中，其他特征行可以用于不同的任务。例如，在图像分类和目标检测的任务中，局部特征可以帮助模型更好地定位和识别目标。

6. 结合不同层的信息

• 层间特征融合：在多层架构中，模型可以利用不同层的特征表示来进行更深层次的理解。其他特征行可以与 CLS token 结合，提供更丰富的信息。

7. 具体应用示例

假设在一个图像分类任务中，输入特征矩阵 ( H_2 ) 为：

$H_2=\left[\begin{array}{c}\text{CLS}\\ \text{特征位置 1}\\ \text{特征位置 2}\\ \text{特征位置 3}\\ ⋮\\ \text{特征位置 N}\end{array}\right]$

• CLS Token：聚合整个图像的全局信息。
• 特征位置 1, 2, 3, …：提供局部特征，帮助模型识别特定的细节和模式。

8. 总结

虽然 CLS token 在 ( H_2 ) 中起到了聚合的作用，但其他特征行仍然是不可或缺的。它们提供了局部细节和多样化信息，帮助模型更全面地理解输入，从而提升分类和其他任务的性能。通过结合 CLS token 和其他特征，模型能够更好地适应复杂的任务需求。