详解vmamba中的矩阵分块重排方案

本周在深入研究vmamba的代码时，发现PatchMerging2D类与PatchExpand2D类实现的很巧妙，其中还涉及到张量重排的技巧，这里做一记录。

首先总结如下，给定输入A(b,c,h,w)，h与w均为偶数。PatchMerging2D 将A的空间维度以 2X2 的不重叠邻域特征堆叠到通道维，从而得到B(b,4*c,h//2,w//2)。PatchExpand2D将B通过张量重排转换成C(b,c,h,w)。实际上在PatchMerging2D与PatchExpand2D中间还有很多步骤，这里为突出重点做出适当简化。

PatchMerging2D

如下代码所示，通过这种操作实现邻域特征提取。这里需要注意，代码只提取2*2邻域，因此PatchExpand2D中也是对应的这一情况。如果提取3*3邻域，则PatchExpand2D也将相应改变。

x0 = x[:, 0::2, 0::2, :] # B H/2 W/2 C x1 = x[:, 1::2, 0::2, :] # B H/2 W/2 C x2 = x[:, 0::2, 1::2, :] # B H/2 W/2 C x3 = x[:, 1::2, 1::2, :] # B H/2 W/2 C x = torch.cat([x0, x1, x2, x3], -1) # B H/2 W/2 4*C

如果要提取3*3邻域，按照上面代码的实现逻辑，则应该是

x0 = x[:, 0::3, 0::3, :] # B H/3 W/3 C x1 = x[:, 1::3, 0::3, :] # B H/3 W/3 C x2 = x[:, 0::3, 1::3, :] # B H/3 W/3 C x3 = x[:, 1::3, 1::3, :] # B H/3 W/3 C ........ x7 = x[:, 2::3, 3::3, :] x8 = x[:, 3::3, 2::3, :] x = torch.cat([x0, x1, x2, x3,...,x8], -1) # B H/2 W/2 9*C

PatchExpand2D

PatchExpand2D类中调用了einops.rearrange，其实现的功能为划分子块重排。

首先给出rearrange的示例，给大家一个直观感受

x = rearrange(x, 'b h w (p1 p2 c)-> b (h p1) (w p2) c', p1=2, p2=2, c=1)

rearrange函数的输入包括三部分，x是输入张量，'b h w (p1 p2 c)-> b (h p1) (w p2) c'是张量重排规则，p1=self.dim_scale, p2=self.dim_scale, c=C//self.dim_scale是重排规则中的相关变量赋值。这个格式其实与之前我们讲过的torch.einsum很相似，详情见torch.einsum解析，但区别在于，torch.einsum实现的是爱因斯坦求和，是包含加法和乘法的。而rearrange只是张量的重排，并不涉及到加法和乘法。有人会说，那torch.einsum是不是都得有两个或以上的输入张量啊？还真不一定，比如求对角线平方和就也只需要一个输入，因此这不能作为torch.einsum和rearrange的区别。

diagonal_elements = torch.einsum('ii->i', A)

下面我们重新看rearrange示例的重排规则部分：

'b h w (p1 p2 c)-> b (h p1) (w p2) c'

输入为4维张量，分别为b, h, w, 2*2*1。然后将其重排为形状b, h*2, w*2, 1。我们先一句话总结其作用：将(h, w)形状的张量重排成(h*2,w*2)，也就是每个位置扩展成2*2的子区域，该区域用张量的通道维度填充，也就是这里的第四个维度2*2*1。

起初我对这一操作十分不解，核心问题是，我可以通过通过线性代数中的子矩阵概念来理解这一操作。但是我无法将张量重排操作前后的映射关系用数学公式表示出来。

例如(1,2,2,4)的张量，我们可以理解为(2,2)个向量，每个向量包含4个元素。将其通道维度展开以将原来的空间维度(2,2)扩展成(4,4)可以这样理解，原来(2,2)的每一个位置从(1,1)变成(2,2)形状，区域还是那个区域。或者反过来，(4,4)分成4份，每一份就是(2,2)。

用一张纯手图对上述文字作说明(原谅我整了个手绘就放上来了)

接下来进入解密时刻，我们还是以(1,2,2,4)->(1,4,4,1)为例。因为b=1，我们省略。拆分后的通道维数为1，也省略。初始位置(b, h, w, (p1 * p2 * c))，新位置坐标为(b, h * p1 + p1_index, w * p2 + p2_index, c) 。其中，(p1_index, p2_index)为拆分后通道维元素的相对坐标。

初始位置(0,0)包含4个元素，以第2个元素为例，其原始坐标为(0,0,1)，在拆分后的坐标为 (0,1)，对应于新位置中的(p1_index, p2_index)。这里实际上就还是按照逐行填充的原则，因为新的形状为(2,2)，所以其坐标只有{(0,0),(0,1),(1,0),(1,1)}这四种情况。这样就把映射关系的公式讲清楚了。

其实这里有一个有趣的地方，如果 'b h w (p1 p2 c)-> b (h p1) (w p2) c' 被改成了 'b h w (p1 p2 c)-> b (h p2) (w p1) c' 会发生甚么事情？我们举个最简单的例子作为结束。

原来的结果如果是

则修改后的结果是

也就是说，本来是逐行填充，现在变成了逐列填充！

尾声

实际上，我在和师兄探讨这个映射关系具体是什么的时候，师兄的意思是不求甚解，原因是这只是一个工具，我们知道怎么用即可，不必深究。其实从科研效率的角度上来讲，师兄说得完全正确。人的时间和精力是有限的，需要投入到最紧要的事情上。但我认为在rearrange这个上花费的时间是有意义的。理由如下：

其一，二维图像的分块与重排的确非常重要，例如卷积操作的滑动窗口其实本质上就是一种分块，而由于图像内目标的大小、形状等存在差异，实际上不同的分块策略会对模型性能有影响，了解张量重排的映射关系对于深入理解卷积神经网络是有益处的。

其二，目前深度学习已经发展了很多年，以发论文为例，审稿人的口味越来越刁钻，简单的增删改模块已经难以发表好论文。我认为想要有所收获，一方面是深度，需要对原理有更深入的理解，从而有所改良；另一方面是广度，需要旁征博引，他山之石可以攻玉。

综上所述，科研本就是需要不断学习，你也不知道今天学的东西能否用上，这个确实是玄学。但是如果有兴趣有精力有时间，还是要深入探讨一下，否则以后不管是进入业界做项目还是进入高校教书育人，对本领域的知识还是得学学许昕，“还是太全面了” 终归是好词。

你