|
极市导读 本文作者详细介绍了最近火爆CV圈三项关于MLP的工作。 >>加入极市CV技术交流群，走在计算机视觉的最前沿 专栏目录：https://zhuanlan.zhihu.com/p/348593638本文目录
1 MLP-Mixer: An all-MLP Architecture for Vision
论文地址： https:///abs/2105.01601 1.1 MLP-Mixer原理分析1.1.1 仅仅靠着MLP就真的无法解决复杂数据集的分类任务吗？ 神经网络主要有三个基本要素：权重、偏置和激活函数。 权重： 神经元之间的连接强度由权重表示，权重的大小表示可能性的大小 偏置： 偏置的设置是为了正确分类样本，是模型中一个重要的参数，即保证通过输入算出的输出值不能随便激活。 激活函数： 起非线性映射的作用，其可将神经元的输出幅度限制在一定范围内，一般限制在(-1~1) 或 (0~1) 之间。最常用的激活函数是Sigmoid函数，其可将 (-∞，+∞) 的数映射到(0~1) 的范围内。 典型的MLP包括包括三层：输入层、隐层和输出层，MLP神经网络不同层之间是全连接的( 全连接的意思就是：上一层的任何一个神经元与下一层的所有神经元都有连接)。  问：MLP模型能不能进行图像识别的任务呢？ 答：当然可以。 MLP的最经典例子就是数字识别，即我们随便给出一张上面写有数字的图片并作为输入，由它最终给出图片上的数字到底是几。 对于一张写有数字的图片，我们可将其分解为由28*28=784个像素点构成，每个像素点的值在 (0~1) 之间，其表示灰度值，值越大该像素点则越亮，越低则越暗，以此表达图片上的数字并将这786个像素点作为神经网络的输入。而输出则由十个神经元构成，分别表示 (0~9) 这十个数字，这十个神经元的值也是在 (0~1) 之间，也表示灰度值，但神经元值越大表示从输入经判断后是该数字的可能性越大。如下面这个视频所示 ： 视频来自：3Blue1Brown (from YouTube)  MLP模型识别数字的过程 隐层的层数和神经元的选择需根据具体情况选择，此例选择两层隐层，每层16个神经元。那么根据上面的叙述，根据权重、偏置的个数此神经网络将会有(784×16+16)+(16×16+16)+(16×10+10) = 13002个参数需要去调节。 输入的784个像素点输入模型以后，首先通过第一层的权重，其结果与偏置参数相加以后，通过激活函数，使模型因此有了非线性的性质。第一层的输出再经过地层的权重和偏置，激活函数得到最终的结果，如下面这个视频所示： MLP模型识别数字的过程 所以，一个MLP模型是可以识别图像，完成图像分类任务的。 但是，上面的2个例子的图像都来自很简单的数据集MNIST，MNIST数据集一共只有10类，所以靠着2层的MLP就能完成分类任务。但是对于ImageNet这种1000类的数据集来讲，MLP模型就显得力不从心了。所以人们后来开发出了借助CNN，Transformer模型 (比如AlexNet，VGG，ResNet，EfficientNet，GhostNet，ViT，DeiT等) 来解决复杂分类数据集的问题。 比如2012年AlexNet赢得了图像分类挑战赛的冠军，代表CNN模型为代表的深度学习方法开始超越传统方法而逐渐流行。VGG-Net使用以3×3卷积为主要结构的深度神经网络达到了当时的SOTA结果。ResNet使用skip-connection与BN操作使得训练特别深的深度神经网络成为可能。后来的Group Convolution以及Depth-wise Convolution使得卷积操作变得更高效。Non-local Network和SE-Net通过即插即用的操作进一步提升了CNN的性能。 但是，不使用CNN和Transformer，仅仅靠着MLP就真的无法解决复杂数据集的分类任务吗？ 本文给出的MLP-Mixer就是为了解决这个问题，它仅仅依赖于基础矩阵乘法运算和数据的布局变换 (reshapes and transpositions) ，以及非线性层。结果表明，尽管Mixer仅仅使用了MLP层，但是其结果却是极具竞争力的。作者在大型数据集 (约1亿=100M张图片，对比 ImageNet 是1.28M训练集，5万验证集和10万测试集) 上训练以后可以在ImageNet 的验证集上达到87.94% 的准确率 (对比 EfficientNet-B7是84.7%, ViT-B是77.9% )；若在 稍微小一点的数据集 (约1-10M张图片) 上训练，也能达到接近CNN架构的性能。 由此可见，仅仅靠着MLP真的可以解决复杂数据集的分类任务，而且和CNN，Transformer模型的性能相当。 1.1.2 MLP-Mixer是如何处理输入图片的？ 一张图片的维度是 的。 之前基于Transformer的ViT模型是怎么处理这个输入image的呢？ 答： ViT 模型处理图片的方式是将其分块 (patch) ，每个patch的大小是 ，那样的话一共可以分成 个patch，其中： 接下来我们得到了 个patch，把每一个大小是 的patch给展平 (Flatten)，就是展成一维向量，得到一个长度是 的向量。个这样的向量拼在一起就结合成一个维度是 的张量，再把张量通过线性映射将第2维的大小为 ，这样最后我们就得到了一个维度是 的张量。它由 个 的向量组成，每个向量我们把它称为1个 token。这个张量才是后续Transformer模型的真正输入。 现在基于MLP的 MLP-Mixer 是怎么处理这个输入image的呢？ 答：和ViT是一样的。 把输入图片分块 (patch)，每个patch的大小是 ，一共可以分成 个patch，把每一个大小是 的patch给展平 (Flatten)，就是展成一维向量，得到一个长度是 的向量。个这样的向量拼在一起就结合成一个维度是 的张量，再把张量通过线性映射将第2维的大小为 称为hidden dimension。这样最后我们就得到了一个维度是 的张量。它由 个 的向量组成，每个向量我们把它称为1个 token。这个张量 才是后续MLP-MiXer模型的真正输入，如下图1所示。 1.1.3 MLP-Mixer与之前Conv1×1的不同之处在哪里？ 对于1×1卷积其实相当于是作了矩阵乘法，因为假设对一个 的张量作1×1卷积，卷积核的维度是 ，则输出的张量维度是 。就相当于给它成了一个维度是 的矩阵。所以其实就相当于是在每一个空间位置 (each spatial location) 上的矩阵乘法。但是问题是1×1卷积不能结合不同空间位置的信息。
上节说道MLP-Mixer的输入是维度是 的张量，那么这个Mixer不仅混合各个channels之间的信息，也混合不同空间位置 (tokens/patches) 之间的信息。 所以主要分成了2种层：channel-mixing MLPs 层和 token-mixing MLPs 层。 channel-mixing MLPs层结合不同channels的信息，是一种按位置per-location的操作。 token-mixing MLPs层结合不同tokens的信息，是一种跨位置cross-location的操作。 那么对于一个维度是 的输入矩阵来讲，channel-mixing MLPs层应该是作用于它的每一行，而token-mixing MLPs层作用于它的每一列。
1.1.4 MLP-Mixer架构  有了上面的铺垫再来理解MLP-Mixer的结构就很简单了。如上图2所示，Mixer 由大小相同的多个层和一个分类头组成。每个层由 2 个 MLP 块组成，其中，第一个块是 token-mixing MLP 块，第二个是 channel-mixing MLP 块。其中分类头就包括Global Average Pooling和一个全连接层。 每个MLP 块如右下角小图所示，包含2个全连接层和中间一个GELU激活函数 ，给模型融入非线性成分，每个MLP 块代码如下图3所示 (这1节的代码是JAX/Flax的，想参考PyTorch代码的读者请看第2节)。 首先看这个 token-mixing MLP 块，取输入的每个channel ，对它依次通过Layer Normalization，和MLP，最后再进行残差连接得到 token-mixing MLP 块输出，如上式1.1 Top所示。token-mixing MLP 块的hidden dimension命名为 . 再看这个 channel-mixing MLP 块，取上一步输出的每个空间位置 ，对它依次通过Layer Normalization，和MLP，最后再进行残差连接得到 channel-mixing MLP 块输出，如上式1.1 Bottom所示。channel-mixing MLP 块的hidden dimension命名为 。 经过了 token-mixing MLP 块和channel-mixing MLP 块以后就算是过了一个Block，每个Block的代码如下图4所示。 依次通过 个这样的Block和分类头就得到的最终的输出，整体结构的代码如下图5所示：  几个值得注意的地方： 因为只有MLP层，所以MLP-Mixer的计算复杂度与序列长度 是线性相关的；而基于Transformer的ViT等模型的计算复杂度与 是平方相关的。 MLP-Mixer没有使用位置编码信息，因为token-mixing MLP把不同空间位置的信息融合起来了，所以对输入的顺序敏感，可以自动地学习到位置信息。token-mixing MLP 对输入 token 的顺序很敏感，因此能够学会表征位置。 MLP-Mixer每一层的输入和输出的维度是一致的，与Transformer保持一致，而不是像CNN那样是pyramidal structure，即越深的层的输入分辨率越低。 1.1.5 MLP-Mixer实验 数据集： 验证集： ImageNet (1.28M training，1k classes)，ReaL，CIFAR10/100 (50k examples, 10/100 classes)，Oxford-IIIT Pets (3.7k examples, 36 classes), and Oxford Flowers-102 (2k examples, 102 classes)，Visual Task Adaptation Benchmark (VTAB-1k)。 训练集： ILSVRC2021 ImageNet，ImageNet-21k (14M training，21k classes)，JFT-300M (300M training，18k classes)。 超参数设置：
其实写这些超参数也没啥意义，因为我们也没有作者的庞大私有数据集，也没法复现结果orz。 模型设置： 不同大小的模型配置如下图6所示。
大型数据集性能比较 在大型数据集JFT-300和ImageNet-21k上的不同类型模型的性能对比如下图7所示。黄色圆点的代表基于ResNet的模型，蓝色圆点的代表基于Transformer的模型，粉色圆点的代表基于MLP的模型。结果显示在ImageNet-21k上MLP-Mixer性能略微逊色于其他模型，但是如果在最大的JFT-300上预训练的话，Mixer在ImageNet上的性能就能够达到87.94%，超过了大多数的其他模型。  训练时长或者数据集大小的影响 下图8左图所示是模型性能随训练时长或者数据集大小的帕累托曲线，证明pre-training cost 和下游任务的性能有着明显的相关关系。图8右图所示是当分别把JFT-300的数据集取3%训练233 epochs，10%训练70 epochs，30%训练23 epochs和100%训练7 epochs时的不同模型的性能变化。结果表明小数据集时模型都展示出了过拟合现象，BiT模型过拟合程度较低。当数据量持续增长时，Mixer-L/32和Mixer-L/16比BiT模型增长更快。这个现象在ViT模型中也存在，但是Mixer模型的这一特点比ViT更显著。这可能是因为Mixer 架构学习到的一些underlying distribution与self-attention layers机制不匹配。  模型大小的影响 改变模型大小的方式包含：
结果如下图9所示，只使用ImageNet作为训练集时，Mixer-B/16达到了76.44%的性能，比ViT-B/16少了3个点。但是当训练数据量增加时，Mixer模型的性能逐步提升，Mixer-H/14在JFT-300的性能仅仅比ViT-H/14低0.3%。
权重可视化 首先要明确权重的维度是多大的。 输入的维度是 的张量。所以每个神经元有196个权值。比如Mixer-B/16模型，其 代表它的token-Mixing MLP层的hidden dimension = 384。那么token-Mixing MLP层的第一个全连接层就有384×196 = 75264个参数，看成是384个196维的参数，把每个196维的参数变成14×14的正方形，就得到了384个正方形，如下图10所示。 下图11是前3层在JFT-300的权重可视化。作者发现第1层包含了好多local interactions，后2层包含了更多的mixing across larger regions，这个性质与CNN相似。 1.2 MLP-Mixer代码解读原论文开源的是JAX/Flax版本的代码，下文解读的这份PyTorch代码来自Phil Wang大佬的实现，链接如下： https://github.com/lucidrains/mlp-mixer-pytorch 使用这份代码的步骤很简单，只需要2步： 第1步安装依赖库： $ pip install mlp-mixer-pytorch第2步测试： import torchfrom mlp_mixer_pytorch import MLPMixermodel = MLPMixer( image_size = 256, patch_size = 16, dim = 512, depth = 12, num_classes = 1000)img = torch.randn(1, 3, 256, 256)pred = model(img) # (1, 1000)MLP-Mixer： from torch import nnfrom einops.layers.torch import Rearrange# LayerNorm + Add.class PreNormResidual(nn.Module): def __init__(self, dim, fn): super().__init__() self.fn = fn self.norm = nn.LayerNorm(dim) def forward(self, x): return self.fn(self.norm(x)) + x# 一个MLP块：由2个全连接层和中间的激活函数构成.def FeedForward(dim, expansion_factor = 4, dropout = 0.): return nn.Sequential( nn.Linear(dim, dim * expansion_factor), nn.GELU(), nn.Dropout(dropout), nn.Linear(dim * expansion_factor, dim), nn.Dropout(dropout) )def MLPMixer(*, image_size, patch_size, dim, depth, num_classes, expansion_factor = 4, dropout = 0.): assert (image_size % patch_size) == 0, 'image must be divisible by patch size' num_patches = (image_size // patch_size) ** 2 return nn.Sequential( Rearrange('b c (h p1) (w p2) -> b (h w) (p1 p2 c)', p1 = patch_size, p2 = patch_size), nn.Linear((patch_size ** 2) * 3, dim, 1), *[nn.Sequential( PreNormResidual(dim, nn.Sequential( Rearrange('b n c -> b c n'), FeedForward(num_patches, expansion_factor, dropout), Rearrange('b c n -> b n c'), )), PreNormResidual(dim, FeedForward(dim, expansion_factor, dropout)) ) for _ in range(depth)], nn.LayerNorm(dim), Rearrange('b n c -> b c n'), nn.AdaptiveAvgPool1d(1), Rearrange('b c () -> b c'), nn.Linear(dim, num_classes) )其中：
小结：MLP-Mixer即可以靠channel-mixing MLPs层结合不同channels的信息，也可以靠token-mixing MLPs层结合不同空间位置的信息。 CNN的特点是inductive bias，ViT靠大量数据 (JFT-300数据集)使性能战胜了CNN，说明大量的数据是可以战胜inductive bias的，这个MLP-Mixer也是一样。卷积相当于是一种认为设计的学习模式：即局部假设。能够以天然具备学习相邻信息的优势，但长远看来，在数据和算力提升的前提下，相比于attention甚至MLP，可能成为了限制。因为不用滑窗，也不用attention的方法其实是CNN的母集。 早起人们放弃MLP而使用CNN的原因是算力不足，CNN更节省算力，训练好模型更容易。现在算力资源提高了，就有了重新回到MLP的可能。MLP-Mixer说明在分类这种简单的任务上是可以通过算力的堆砌来训练出比CNN更广义的MLP模型 (CNN可以看做是狭义的MLP)。 最后，channel-mixing MLPs层相当于1×1 convolution，而token-mixing MLPs层相当于广义的depth-wise convolution，只是MLP-Mixer让这两种类型的层交替执行了。 2 RepMLP：卷积重参数化为全连接层进行图像识别 (Arxiv)
论文地址： https:///abs/2105.01883 开源预训练模型和代码 (PyTorch版)： https://github.com/DingXiaoH/RepMLP 2.1 RepMLP原理分析：本文是MLP-Mixer后一天挂在Arxiv上的工作，也是使用纯MLP模型完成图像分类任务的工作。它借助重参数技术，将卷积与FC巧妙地融合，加强分类网络的性能。在ImageNet分类、人脸识别以及语义分割等任务(无论是否具有平移不变性)上均能涨点。结合FC层的全局表征能力和位置先验性质以及卷积层的局部先验性质，可以在大幅增加参数的同时不会造成推理速度的显著降低。 2.1.1 深度学习模型的几个性质 局部先验性质 卷积的局部先验性质的意思是： 卷积操作默认图片中的某个像素与周围的像素联系更加密切，而与距它较远的像素联系更少。所以卷积操作只处理某个局部邻域的信息。这一性质也称为归纳偏置 (inductive bias) 或者局部先验性质 (local prior)。FC层不具备这个能力。 全局建模能力 与其同时，捕获长距离依赖 (long-range dependency) 的能力，这一性质也称为全局建模能力 (global capacity) 。传统卷积拥有长距离依赖的能力的方法是使用更大的感受野，堆叠更多的卷积层。但是这也势必会导致计算十分低效，且造成优化困难。Transformer模型被用来解决这个问题，其中的self-attention层专门用来捕获长距离依赖，但是缺少了局部先验性质。FC层也具备这个能力，这很容易理解，因为FC层的输出与每个输入都有连接。 位置先验性质 位置先验性质的意思是：比如人通过人脸识别来解锁手机，脸部的照片一般情况下都在屏幕的中心，眼睛一般在图像上方，鼻子一般在中部。这一性质就是位置先验，也叫做positional perception，而一层卷积是不具备这个性质的。FC层具备这个能力，因为FC层的参数是位置相关的，而不像卷积操作，不同位置的参数是共享的。 综上，作者看上了全连接层具备的全局建模能力和位置先验性质，使用FC层取代卷积操作。此外，FC层的计算更高效，对于应用场景更友好。 但是，FC层却不具备局部先验性质，作者解决这个问题的办法是使用结构重参数技术 (structural reparameterization technique)。 2.1.2 RepMLP模块 所谓结构重参数的意思已经在RepVGG里面有讲到，就是：训练时的结构对应一组参数，推理时我们想要的结构对应另一组参数；只要能把前者的参数等价转换为后者，就可以将前者的结构等价转换为后者， 官方描述为：
注意结构重参数技术 整个过程只转换模型一次，就是训完以后把训练模型等效为部署模型的那个时候，转换完成后，训练的模型变成了全新的部署模型，训练的模型可以丢弃。 问：RepVGG是怎么使用结构重参数的？ 答： 在训练模型时，为每一个3x3卷积层添加平行的1x1卷积分支和恒等映射分支，构成一个RepVGG Block。在部署 (deploy) 时，把1×1卷积分支和恒等映射分等效为3×3分支，权重weights和偏置bias 叠加在之前训练的3×3分支上面。 问：RepMLP是怎么使用结构重参数的？ 答：在训练模型时，为每一个MLP层添加平行的卷积+BN分支，构成一个RepMLP Block。在部署(deploy) 时，把平行的卷积分支等效为MLP分支，使deploy模型只有MLP操作。 与RepVGG的一卷到底相比，RepMLP运行速度更快，并且具备全局建模能力和位置先验性质。 在CIFAR数据集上，简简单单的MLP模型即可取得与CNN非常接近的性能。通过将RepMLP插入到现有CNN中，我们在ImageNet数据集上提升ResNets模型精度达1.8%，在人脸识别任务上提升2.9%，在Cityscapes提升2.3%mIoU精度且具有更低的FLOPs。 本文的贡献是使得MLP层同时具备局部先验性质，全局建模能力和位置先验性质，使其适用于图像识别任务且不造成任何推理耗时增加。 RepMLP的架构如上图12所示。训练阶段的RepMLP由3部分构成：Global Perceptron、Partition Perceptron、Local Perceptron。 对于卷积层，假设特征图表示为，用字母 和 分别代表卷积和全连接层的权值。本文采用了PyTorch风格的数据排布与伪代码风格，比如卷积处理的数据流表示如下： 其中表示输出特征， 表示输出通道数， 表示pad的像素数量，表示卷积核 (暂时假设groups=1) 。为简单起见，我们还假设。 对于全连接层，假设P和Q为输入与输出维度，分别表示输入与输出，表示全连接层核，计算公式如下： 假设FC不会改变输入输出分辨率，即。我们采用RS (reshape)来表示仅仅改变张量形变而不会改变内存数据顺序的操作，它是一种cost-free的操作。输入首先会被展平 (Flatten) 为 个长度为的向量，即，然后乘以核得到输出，最后再RS为。为更好的阅读，在歧义的情况下我们忽略RS而简写为： 这种形式的全连接层无法充分利用图像的局部信息，并忽视了位置信息。 而且这种形式的全连接层所需要的参数也很大，假设，此时FC层的参数量高达10G，这样巨大的参数量是难以接受的，而且如上文所述，无法充分利用图像的局部信息。 所以作者提出了3种Global Perceptron 和 Partition Perceptron来节约参数量。 Global Perceptron Global Perceptron是把特征图分成一样大小的部分来节约参数量，比如，的特征图可以被拆分为，我们将每个视作一个部分。假设表示期望部分的高和宽，则特征图的变化过程如下图13所示：
我们看到经过了Global Perceptron，维度为 的特征图最终通过PyTorch里面的reshape和permute操作变成了 。通过这种方式，参数量可以从下降到。 但是，强行把特征图分成不同的部分会打破不同部分之间的相关性。各个部分会被分开对待而忽视了它们原本的位置上的相关性。为对每个分区添加相关性，Global Perceptron采用了以下几个操作：
则特征图维度的完整的变化过程如下图14所示，具体过程如图12所示。 Partition Perceptron Partition Perceptron 包含FC与BN层，并以每个部分的特征作为输入。Global Perceptron的输出将通过reshape、re-arrange、reshape等操作变为。作者进一步采用组卷及降低FC3的参数量，定义如下： 类似的，组形式的FC核 ，此时参数量可以减少g倍。尽管这种形式的FC不被某些框架(如Pytorch)支持，但我们可以采用卷积代替实现。它的实现包含三个步骤：
整个过程定义如下：
则特征图维度的完整的变化过程如下图15所示，具体过程如图12所示。
Local Perceptron
Local Perceptron将每个部分的特征经由几个卷积进行处理。所有卷积分支的输出与Partition Perceptron的输出相加作为最终的输出。特征图维度的完整的变化过程如上图16所示，具体过程如图12所示。 2.1.3 如何将卷积等效成FC层？ 假设FC核为：，卷积核 ，我们期望构建满足： 注意到：对任意与同形状的核，MMUL的加法特征满足： 因此，只要可以构建与同形状的，我们就可以将F合并到并满足： 很明显，一定存在 (因为卷积可以视为稀疏版FC层)。 所以接下来要做的事情是如何把这个卷积操作 给等效成全连接操作 ，换句话讲，如何找到 。这个 的神奇之处就在于：给某一个张量乘以 ，就相当于是给这个张量的Reshape成的四维形式做卷积。 作者给出了一种方法，这也是本文我认为最妙的地方： 现在全连接操作是咋算的呢？计算形式是： 给上式插入一个Identity Matrix ，这个式子就变成了： 因为这里面都是矩阵乘法，多乘一个单位矩阵没啥关系。 前面说过：这个 的神奇之处就在于：给某一个张量乘以 ，就相当于是给这个张量的Reshape成的四维形式做卷积。 那么2.10式是给 这个张量乘以 ，就相当于是给 这个张量的四维形式 做卷积，这里： 所以我们把矩阵乘法变成卷积，就有： 但是有一点不同， 的结果是2维的，而卷积的结果是4维度的 ，所以需要再来个Reshape，所以 结合上式2.12，2.10就变为了： 这个绿到发光的部分正是我们要找的 。 所以： 2.14式就是我们要找的等效全连接操作 ，算法就是卷积核的等效FC核可以通过对恒等矩阵进行卷积并添加合适reshape得到。这个转换既便捷又可导。 PyTorch格式的伪代码如下： Algorithm 1 PyTorch code for converting groupwsie conv into FC.Input: C, h, w, g, O, conv kernel, conv biasI = torch.eye(C * h * w // g).repeat(1, g).reshape(C * h * w // g, C, h, w)fc kernel = F.conv2d(I, conv kernel, padding=conv kernel.size(2)//2, groups=g)fc kernel = fc kernel.reshape(O * h * w // g, C * h * w).t() # Note the transposefc bias = conv bias.repeat interleave(h * w)return: fc kernel, fc bias下一步，按照上式1.3的做法，把BN的参数合并到卷积中： 这是因为： 式1.3是2D BN的融合方法，那么1D BN也是同理，融合进 里面。所以说按照2.14式的做法我们就可以把所有的卷积操作等效成FC了。 Experiment： 数据集：CIFAR10，ImageNet 超参数：
CIFAR10实验： 这里作者构建了2个模型，PureMLP和ConvNet，如下图17所示：
PureMLP由FC层 (Conv1×1)和RepMLP构成，图中的16×16,32×32代表分辨率。左右的改变其实就是左边的RepMLP层对标右面的3×3卷积。所有的RepMLP层都使用 。为了使左右2侧的计算量尽量接近，左侧3个stage的channel分别是16,32,64，而左侧3个stage的channel分别是32,64,128。结果如下图18所示： 可以看到：
作者随后进行了一些对照实验，转换前的计算量达到118.9M，高于包含卷积与BN，其计算量非常大，这说明了结构重参数的重要性。
ImageNet实验： 超参数：
采用ResNet作为基线模型并用于评估RepMLP作为传统ConvNet构建模型的性能。模块定义如下图19所示。假设ResNet的几个stage的特征依次是 。 只对stride=1的层替换了RepMLP，仅仅对 进行替换时，结果如下图20所示。 时RepMLP-Res50具有比ResNet50更少的参数量，更快的推理速度(快10%)。
前两行说明：当前深度学习框架对于组形式卷积支持程度并不够好，参数量提升59%，但推理速度仅下降了0.7%；更进一步的组形式优化有可能使得RepMLP更高效。 下图21是对不同层的特征进行替换时的性能变化，超参数设置为 。
采用RepMLP模块替换ResNet中的模块会导致轻微的速度下降，但精度出现了显著提升。比如，仅仅采用RepMLP替换 即可带来0.94%精度提升，参数量仅增加5M； 的替换可以取得最佳的均衡。 下图22为更高输入分辨率下不同模型的性能对比。 在320×320的高输入分辨率下，超参数设置为 。 意思是对于 使用group=8，而对 使用group=16。 得到的结论是： 相比同参数量的传统ConvNet，RepMLP-Res50的计算量更低、推理速度更快。比如，相比224×224输入的ResNet101，RepMLP-Res50仅需50%FLOPs，更少的参数量，推理速度快50%，也可以取得同等精度；当输入分辨率为320×320时，RepMLP-Res50在精度、速度以及FLOPs方面的优势更大。 提升RepMLP的参数量不会导致推理速度的大幅下降。比如，从RepMLP-Res50-g8/16到RepMLP-Res50-g4/8，参数量提升47%，但FLOPs仅提升3.6%，推理速度仅从311下降到305。这对于高吞吐量的大型服务器推理是非常有用的。 相比于EfficientNet (在端测设备效率较高而在GPU端是低效的)，RepMLP-Res50在速度于精度方面表现更优。 除了前述模块改进外，作者还提供了一种更轻量化的高速版本如下图23所示，性能见下图24。 轻量版RepMLP取得了与原始ResNet50相当的性能(77.14 vs 77.19)，但FLOPs降低30%，推理速度快55%，达到1074 examples per second。 小结：RepMLP借助结构重参数技术，将MLP与卷积巧妙结合，不仅保留了MLP的全局建模能力和位置先验性质，还能融入卷积的局部先验性质。在ImageNet分类、人脸识别以及语义分割等任务(无论是否具有平移不变性)上均能涨点。作为模型压缩的方法，它可以在GPU端实现模型推理速度的提升。 3 ResMLP：ImageNet数据集训练残差MLP网络 (Arxiv)
论文地址： https:///pdf/2105.03404.pdf 3.1 ResMLP原理分析：本文第一作者就是 DeiT 一作 Hugo Touvron 博士。他曾经针对视觉 Transformer 模型 ViT 需要大量数据集训练的难题提出了DeiT模型，通过一组优秀的超参数和蒸馏操作实现了仅仅使用 ImageNet 数据集就能达到很强的性能，详见下面链接。现在他又按照这个思路写了一篇，针对视觉 MLP 模型 MLP-Mixer 需要大量数据集训练的难题提出了 ResMLP 模型，通过残差结构和蒸馏操作实现了仅仅使用 ImageNet 数据集就能达到很强的性能。 下面列举几个Hugo Touvron 博士最近的研究和对应的论文以及论文解读，他在视觉Transformer模型上面灌了很多水。 DeiT： https:///pdf/2012.12877.pdf 搞懂Vision Transformer 原理和代码，看这篇技术综述就够了(三) CaiT： https:///pdf/2103.17239.pdf 搞懂 Vision Transformer 原理和代码，看这篇技术综述就够了（八） 本文不使用任何 Self-attention 模块，只有 Linear Layers 和 GELU 激活函数为模型提供非线性。另外一个有意思的是，ResMLP不会使用任何正则化层 (Batch Norm, Group Norm, Layer Norm) 来稳定训练，其训练方式和 DeiT 和 CaiT 保持一致。 ResMLP架构如上图25所示，怎么处理输入image的呢？ 答：和ViT是一样的。 把输入图片分块 (patch)，每个patch的大小是 ，那样的话一共可以分成 个patch，其中： 接下来我们得到了 个patch，把每一个大小是 的patch给展平 (Flatten)，就是展成一维向量，得到一个长度是 的向量。个这样的向量拼在一起就结合成一个维度是 的张量，再把张量通过线性映射将第2维的大小为 ，这样最后我们就得到了一个维度是 的张量。它由 个 的向量组成，每个向量我们把它称为1个 token。这个张量才是后续Transformer模型的真正输入。 每一个Block的结构也很简单：sublayer + feedforward sublayer。 sublayer 就是图25左边那部分，由一个线性层和残差连接构成，不使用Layer Normalization，但是会使用2个Affine Transformation： 式中的 都是可学习的参数。此操作简单地重新缩放和给输入分量一个偏置，而且不会占用很多推理时间。注意 是对输入的每一个patch单独做的，就是在 这个维度去做，也就是说不会涉及到batch之间和patch之间的信息交流。与CaiT里面的Layer Scale方法很像，相同的是scale值 一开始都会初始化成一个很小的值 (初始化 )，不同的是Affine Transformation还有一个偏置项。 每个sublayer会有2个Affine Transformation，我们注意到一个是在残差前面 (取代pre-normalization操作)，一个是在残差内部 (取代post-normalization操作)。 feedforward sublayer 就是图25右边那部分，由两个线性层和残差连接构成，中间使用GELU激活函数，不使用Layer Normalization，但是会使用2个Affine Transformation。 所以每个Block的表达式可以写成： 这里 是每个层的可学习权重参数， 。注意按照这个式子图25貌似有点问题，箭头应该放在A的前面分叉。 问：与Transfomer的Block相比，ResMLP的主要的区别在于，将 Self-attention 层替换为线性层。那么线性层与Self-attention的区别在哪里呢？ 答： 个人理解是Self-attention是数据依赖的，即不同的input可以得到不同的attention map，然后这个attention map还会与input计算出的value作用，可以看成是data-dependent的超参数。 而线性层不是数据依赖的，即不同的input都会使用相同的权重参数得到 ，换句话讲，MLP模型没有依赖于输入数据的超参数，这就使模型更加general。 问：为什么sublayer 要做2次转置，不做行不行？ 答：不行。 这个做法与MLP-Mixer保持一致。第1次转置把patches这个维度甩到最后一维，目的是融合不同patches之间的信息；第1次转置把channels这个维度甩到最后一维，目的是融合不同channels之间的信息。如果不做就没法融合这2个维度的信息，所以不做不行。 问：需要像Transformer模型一样用class token吗？ 答：不需要。 作者也尝试在最后两层使用Transformer，前面的层的attention统一替换成Linear层，做法和CaiT模型一致。发现这样做会进一步涨点。但是参数量和计算量也会上升，这个模型命名为class-MLP。 另外值得注意的是：ResMLP模型不使用位置编码，因为ResMLP把不同空间位置的信息融合起来了，所以对输入的顺序敏感，可以自动地学习到位置信息。ResMLP 对输入 token 的顺序很敏感，因此能够学会表征位置。 Experiments： 数据集： 训练：ImageNet (1.28M 训练集，1000类)，测试：ImageNet-real，ImegeNet-v2 超参数：
其他与DeiT一致。 ImageNet实验结果 下图26所示为各种模型在ImageNet的实验结果。就参数量，计算量和准确率的trade-off而言，基于MLP的模型不如基于Transformer的或者CNN的模型，但是却展示出了非常鼓舞人心的结果。作者可能觉得比较尴尬，所以这样解释道：
知识蒸馏结果 仿照DeiT的做法作者也对ResMLP模型进行蒸馏，就是把label替换为教师模型RegNet-16GF的输出结果，结果如下图27所示。
图27：知识蒸馏结果 迁移学习性能 先在ImageNet上预训练，然后在各种小数据集上面Fine-tune得到的结果如下图所示。Fine-tune的小数据集包括CIFAR-10, CIFAR-100, Flowers-1022, Stanford Cars, iNaturalist。迁移学习性能与其他模型相当，说明MLP模型在合适的数据增强策略的加持下减少了过拟合。 可视化结果 下图是线性层3.2式的 矩阵权重的可视化结果，可视化的方法是把 的每一行即 个值reshape成正方形排列，所以一共就有 个正方形。浅层的可视化结果展现出卷积的特征，展示出一种attention map的感觉；有趣的是，在许多层中，大的权重沿着两个轴延伸，最突出的是在第7层。网络的最后7层是不同的，比如第20层和第22层：它们包括patch本身的尖峰和其他幅度较大或较小的patch之间的扩散响应。 权重的稀疏度 下图30红色线是线性层3.2式的 矩阵权重的稀疏度的可视化结果。蓝色线是线性层3.2式的 矩阵权重。稀疏权重的标准是这个权值小于最大权值的5%。结果显示不论是 还是 都是极其稀疏的。 矩阵的稀疏度更大，它主要负责patches之间的信息融合，说明不是任意的patches之间的信息都需要融合，在能够预见未来会有MLP稀疏化方面的研究。
图30：权重的稀疏度 过拟合表现 因为MLP模型极易产生过拟合，所以作者在下图31中展示了ResMLP模型的泛化能力。从吐0中可以看出：ResMLP模型的泛化能力与其他基于Transformer相当。
3.2 ResMLP代码解读这份PyTorch代码并非来自原作者，而是来自Phil Wang大佬的实现，链接如下： https://github.com/lucidrains/res-mlp-pytorch 不得不说大哥 code 是真滴快啊！！！ResMLP是21年5月7号上传的arxiv，大哥10号上午就把工作复现出来了。这样的大神我们不夸，我们舔orz。 使用这份代码的步骤很简单，只需要2步： 第1步安装依赖库： $ pip install res-mlp-pytorch第2步测试： import torchfrom res_mlp_pytorch import ResMLPmodel = ResMLP( image_size = 256, patch_size = 16, dim = 512, depth = 12, num_classes = 1000)img = torch.randn(1, 3, 256, 256)pred = model(img) # (1, 1000)ResMLP： 定义Affine操作：
class Affine(nn.Module): def __init__(self, dim, fn): super().__init__() self.g = nn.Parameter(torch.ones(1, 1, dim)) self.b = nn.Parameter(torch.zeros(1, 1, dim)) self.fn = fn def forward(self, x): x = x * self.g + self.b return self.fn(x)注意是在输入的最后一个维度作用的对角矩阵和偏置，因为self.g, self.b初始化在了最后一维 (即channels的维度)。 总架构： class LayerScaleResidual(nn.Module): # https:///abs/2103.17239 def __init__(self, dim, depth, fn): super().__init__() if depth <= 18: init_eps = 0.1 elif depth > 18 and depth <= 24: init_eps = 1e-5 else: init_eps = 1e-6 scale = torch.zeros(1, 1, dim).fill_(init_eps) self.scale = nn.Parameter(scale) self.fn = fn def forward(self, x): return self.fn(x) * self.scale + xdef ResMLP(*, image_size, patch_size, dim, depth, num_classes, expansion_factor = 4): assert (image_size % patch_size) == 0, 'image must be divisible by patch size' num_patches = (image_size // patch_size) ** 2 wrapper = lambda i, fn: LayerScaleResidual(dim, i + 1, Affine(dim, fn)) return nn.Sequential( Rearrange('b c (h p1) (w p2) -> b (h w) (p1 p2 c)', p1 = patch_size, p2 = patch_size), nn.Linear((patch_size ** 2) * 3, dim), *[nn.Sequential( wrapper(i, nn.Conv1d(num_patches, num_patches, 1)), wrapper(i, nn.Sequential( nn.Linear(dim, dim * expansion_factor), nn.GELU(), nn.Linear(dim * expansion_factor, dim) )) ) for i in range(depth)], Reduce('b n c -> b c', 'mean'), nn.Linear(dim, num_classes) )
小结：ResMLP是一种完全基于多层感知机(MLP)进行图像分类的体系结构。它是一个简单的残差网络，它交替线性层，其中图像 patches在通道之间独立且相同地交互；以及2层前馈网络，其中通道中的每个 patch独立地相互作用，达到了鼓舞人心的性能。 总结：本文介绍了目前的3个在分类任务上使用MLP模型的工作。 MLP-Mixer即可以靠channel-mixing MLPs层结合不同channels的信息，也可以靠token-mixing MLPs层结合不同空间位置的信息。卷积相当于是一种认为设计的学习模式：即局部假设。能够以天然具备学习相邻信息的优势，但长远看来，在数据和算力提升的前提下，相比于attention甚至MLP，可能成为了限制。因为不用滑窗，也不用attention的方法其实是CNN的母集。但是channel-mixing MLPs层相当于1×1 convolution，而token-mixing MLPs层相当于广义的depth-wise convolution，只是MLP-Mixer让这两种类型的层交替执行了。 RepMLP将训练时的卷积操作通过结构重参数化技术转化成部署时的MLP，但不是纯MLP模型，也包含卷积的成分，只是靠MLP提升性能。 ResMLP针对视觉 MLP 模型 MLP-Mixer 需要大量数据集训练的难题提出了 ResMLP 模型，通过残差结构和蒸馏操作实现了仅仅使用 ImageNet 数据集就能达到较强的性能。 |
|
|
