使用pytorch框架写出cross attention模块

下面是使用 PyTorch 实现的 Cross Attention 模块的代码：

import torch
import torch.nn as nn

class CrossAttention(nn.Module):
    def __init__(self, in_dim):
        super(CrossAttention, self).__init__()
        self.query_conv = nn.Conv2d(in_channels=in_dim, out_channels=in_dim//8, kernel_size=1)
        self.key_conv = nn.Conv2d(in_channels=in_dim, out_channels=in_dim//8, kernel_size=1)
        self.value_conv = nn.Conv2d(in_channels=in_dim, out_channels=in_dim, kernel_size=1)
        self.gamma = nn.Parameter(torch.zeros(1))
        self.softmax = nn.Softmax(dim=-1)

    def forward(self, x):
        m_batchsize, C, width, height = x.size()
        proj_query = self.query_conv(x).view(m_batchsize, -1, width*height).permute(0, 2, 1)
        proj_key = self.key_conv(x).view(m_batchsize, -1, width*height)
        energy = torch.bmm(proj_query, proj_key)
        attention = self.softmax(energy)
        proj_value = self.value_conv(x).view(m_batchsize, -1, width*height)
        out = torch.bmm(proj_value, attention.permute(0, 2, 1))
        out = out.view(m_batchsize, C, width, height)
        out = self.gamma*out + x
        return out

这里实现的是一个简单的 2D 卷积的交叉注意力模块。具体来说，该模块包括三个卷积层：查询卷积、键卷积和值卷积，以及一个可学习的参数 gamma。在前向传播过程中，将输入张量 x 通过查询卷积和键卷积得到查询张量和键张量，然后计算注意力矩阵并将其应用于值张量。最后，将得到的张量与输入张量加权求和并返回。

需要注意的是，这里使用了 permute() 函数对张量进行了维度变换，以便进行矩阵乘法。还使用了 Softmax 和 Parameter 函数，其中 Softmax 函数用于计算注意力矩阵，Parameter 函数用于定义可学习的参数 gamma。