這是一篇來自谷歌大腦的paper。這篇paper的主要成果是用Transformer[1]取代CNN，并證明了CNN不是必需的，甚至在大規(guī)模數(shù)據(jù)集預(yù)訓(xùn)練的基礎(chǔ)上在一些benchmarks做到了SOTA，并且訓(xùn)練時(shí)使用的資源更少。

圖像分塊

要將圖片分塊是因?yàn)門ransformer是用于NLP領(lǐng)域的，在NLP里面，Transformer的輸入是一個(gè)序列，每個(gè)元素是一個(gè)word embedding。因此將Transformer用于圖像時(shí)也要找出word的概念，于是就有了這篇paper的title：AN IMAGE IS WORTH 16X16 WORDS，將一張圖片看成是16*16個(gè)“單詞”。

inductive biases

在機(jī)器學(xué)習(xí)中，人們對(duì)算法做了各種的假設(shè)，這些假設(shè)就是inductive biases（歸納偏置），例如卷積神經(jīng)網(wǎng)絡(luò)就有很強(qiáng)的inductive biases。文中做了一個(gè)實(shí)驗(yàn)，在中等大小數(shù)據(jù)集訓(xùn)練時(shí)，精度會(huì)略遜色于ResNets。但是這個(gè)結(jié)果也是應(yīng)該預(yù)料到的，因?yàn)門ransformer缺少了CNN固有的一些inductive biases，比如平移不變性和局部性。所以當(dāng)沒有足夠的數(shù)據(jù)用于訓(xùn)練時(shí)，你懂的。但是恰恰Transformer就強(qiáng)在這一點(diǎn)，由于Transformer運(yùn)算效率更高，而且模型性能并沒有因?yàn)閿?shù)據(jù)量的增大而飽和，至少目前是這樣的，就是說模型性能的上限很高，所以Transformer很適合訓(xùn)練大型的數(shù)據(jù)集。

ViT

在ViT中，模型只有Encoder的，沒有Decoder，因?yàn)橹皇怯糜谧R(shí)別任務(wù)，不需要Decoder。

首先按照慣例，先把圖像的patch映射成一個(gè)embedding，即圖中的linear projection層。然后加上position embedding，這里的position是1D的，因?yàn)榘凑兆髡叩恼f法是在2D上并沒有性能上的提升。最后還要加上一個(gè)learnable classification token放在序列的前面，classification由MLP完成。

Hybrid Architecture。模型也可以是CNN和Transformer的混合，即Transformer的輸入不是原圖像的patch，而是經(jīng)過CNN得到的feature map的patch。

實(shí)驗(yàn)結(jié)果

不同大小的ViT的參數(shù)量。

可以看到在預(yù)訓(xùn)練數(shù)據(jù)集很小的情況下ViT的效果并不好，但是好在隨著預(yù)訓(xùn)練數(shù)據(jù)集越大時(shí)ViT的效果越好，最終超過ResNet。

BiT[2]是谷歌用JFT-300M（谷歌內(nèi)部非公開數(shù)據(jù)集）訓(xùn)練的ResNet模型。Noisy Student[3]是谷歌提出借助半監(jiān)督大大提升了imagenet性能的算法。可以看到，在JFT-300M預(yù)訓(xùn)練的情況下，ViT比ResNet好上不少，并且開銷更小。

總結(jié)

ViT的成功我認(rèn)為是以下幾點(diǎn)：

1、self-attention比CNN更容易捕捉long-range的信息；

2、大量的數(shù)據(jù)，在視覺中CNN是人類實(shí)踐中很成功的inductive biases，顯然大量的數(shù)據(jù)是能戰(zhàn)勝inductive biases的；

3、計(jì)算效率高，因?yàn)閟elf-attention可以看作是矩陣運(yùn)算，所以效率很高，容易訓(xùn)練大型的模型。

原文標(biāo)題：視覺新范式Transformer之ViT

文章出處：【微信公眾號(hào)：深度學(xué)習(xí)實(shí)戰(zhàn)】歡迎添加關(guān)注！文章轉(zhuǎn)載請(qǐng)注明出處。

責(zé)任編輯：haq