[[436637]]

本文經(jīng)AI新媒體量子位（公眾號(hào)ID:QbitAI）授權(quán)轉(zhuǎn)載，轉(zhuǎn)載請(qǐng)聯(lián)系出處。

Transformer做視覺(jué)取得巨大成功，各大變體頻頻刷榜，其中誰(shuí)是最強(qiáng)？

早期人們認(rèn)為是其中的注意力機(jī)制貢獻(xiàn)最大，對(duì)注意力模塊做了很多改進(jìn)。

后續(xù)研究又發(fā)現(xiàn)不用注意力換成Spatial MLP效果也很好，甚至使用傅立葉變換模塊也能保留97%的性能。

爭(zhēng)議之下，顏水成團(tuán)隊(duì)的最新論文給出一個(gè)不同觀(guān)點(diǎn)：

其實(shí)這些具體模塊并不重要，Transformer的成功來(lái)自其整體架構(gòu)。

他們把Transformer中的注意力模塊替換成了簡(jiǎn)單的空間池化算子，新模型命名為PoolFormer。

這里原文的說(shuō)法很有意思，“簡(jiǎn)單到讓人尷尬”……

測(cè)試結(jié)果上，PoolFormer在ImageNet-1K上獲得了82.1%的top-1精度。

（PyTorch版代碼已隨論文一起發(fā)布在GitHub上，地址可在這篇推文末尾處獲取。）

同等參數(shù)規(guī)模下，簡(jiǎn)單池化模型超過(guò)了一些經(jīng)過(guò)調(diào)優(yōu)的使用注意力（如DeiT）或MLP模塊（如ResMLP）的模型。

這個(gè)結(jié)果讓一些圍觀(guān)的CVer直接驚掉下巴：

太好奇了，模型簡(jiǎn)單到什么樣才能令人尷尬？

PoolFormer

整體結(jié)構(gòu)與其他模型類(lèi)似，PoolFormer只是把token mixer部分換了一下。

因?yàn)橹饕?yàn)證視覺(jué)任務(wù)，所以假設(shè)輸入數(shù)據(jù)的格式為通道優(yōu)先，池化算子描述如下：

PyTorch風(fēng)格的偽代碼大概是這樣：

池化算子的復(fù)雜度比自注意力和Spatial MLP要小，與要處理的序列長(zhǎng)度呈線(xiàn)性關(guān)系。

其中也沒(méi)有可學(xué)習(xí)的參數(shù)，所以可以采用類(lèi)似傳統(tǒng)CNN的分階段方法來(lái)充分發(fā)揮性能，這次的模型分了4個(gè)階段。

假設(shè)總共有L個(gè)PoolFormer塊，那么4個(gè)階段分配成L/6、L/6、L/2、L/6個(gè)。

每個(gè)階段的具體參數(shù)如下：

PoolFormer基本情況介紹完畢，下面開(kāi)始與其他模型做性能對(duì)比。

首先是圖像分類(lèi)任務(wù)，對(duì)比模型分為三類(lèi)：

• CNN模型ResNet和RegNetY
• 使用注意力模塊的ViT、DeiT和PVT
• 使用Spatial MLP的MLP-Mixer、ResMLP、Swin-Mixer和gMLP

在ImageNet-1K上，無(wú)論是按累計(jì)乘加操作數(shù)（MACs）還是按參數(shù)規(guī)模為標(biāo)準(zhǔn)，PoolFormer性能都超過(guò)了同等規(guī)模的其他模型。

目標(biāo)檢測(cè)和實(shí)例分割任務(wù)上用了COCO數(shù)據(jù)集，兩項(xiàng)任務(wù)中PoolFormer都以更少的參數(shù)取得比ResNet更高的性能。

最后是ADE20K語(yǔ)義分割任務(wù)，PoolFormer的表現(xiàn)也超過(guò)了ResNet、ResNeXt和PVT。

消融實(shí)驗(yàn)

上面可以看出，幾大視覺(jué)任務(wù)上PoolFormer都取得了有競(jìng)爭(zhēng)力的成績(jī)。

不過(guò)這還不足以支撐這篇論文開(kāi)頭提出的那個(gè)觀(guān)點(diǎn)。

到底是整體架構(gòu)重要？還是說(shuō)PoolFormer中的池化模塊剛好是一種簡(jiǎn)單卻有效的Token Mixer？

團(tuán)隊(duì)的驗(yàn)證方法是把池化模塊直接替換成恒等映射（Identity Mapping）。

結(jié)果令人驚訝，替換后在ImageNet-1K上也保留了74.3%的Top-1精度。

在此基礎(chǔ)上無(wú)論是改變池化核尺寸、歸一化方法、激活函數(shù)影響都不大。

最重要的是，在4個(gè)階段中把注意力和空間全連接層等機(jī)制混合起來(lái)用性能影響也不大。

其中特別觀(guān)察到，前兩階段用池化后兩階段用注意力這種組合表現(xiàn)突出。

這樣的配置下稍微增加一下規(guī)模精度就可達(dá)到81%，作為對(duì)比的ResMLP-B24模型達(dá)到相同性能需要7倍的參數(shù)規(guī)模和8.5倍的累計(jì)乘加操作。

最終，消融實(shí)驗(yàn)結(jié)果說(shuō)明Transformer中具體到token mixer這個(gè)部分，具體用了哪種方法并不關(guān)鍵。

不增加模型規(guī)模的情況下，網(wǎng)絡(luò)的整體結(jié)構(gòu)才是對(duì)性能提升最重要的。

這樣的整體結(jié)構(gòu)被團(tuán)隊(duì)提煉出來(lái)，命名為MetaFormer。

NLP上還會(huì)成立嗎？

這項(xiàng)研究由顏水成領(lǐng)導(dǎo)的Sea AI Lab和來(lái)自新加坡國(guó)立大學(xué)的成員共同完成。

論文的最后，團(tuán)隊(duì)表示下一步研究方向是在更多場(chǎng)景下繼續(xù)驗(yàn)證，如自監(jiān)督學(xué)習(xí)和遷移學(xué)習(xí)。

除了視覺(jué)任務(wù)，也要看看在NLP任務(wù)上結(jié)論是否也成立。

另外發(fā)這篇論文還有一個(gè)目的：

呼吁大家把研究的重點(diǎn)放在優(yōu)化模型的基礎(chǔ)結(jié)構(gòu)，而不是在具體模塊上花太多精力去打磨。

論文地址：
https://arxiv.org/abs/2111.11418

GitHub倉(cāng)庫(kù)：
https://github.com/sail-sg/poolformer