Patches Are All You Need?

探究Patch Embedding在ViT上的作用，CNN是否可用该操作提升性能？

论文链接：https://openreview.net/pdf?id=TVHS5Y4dNvM
代码链接：https://github.com/tmp-iclr/convmixer

1、摘要

  ViT的性能是由于Transformer架构本身的固有优势，还是至少部分归因于使用patch作为输入表示？文中提出了一些证据支持后者：具体来说，提出了ConvMixer，这是一种极其简单的模型，其本质类似于ViT和更基础的MLP-Mixer，它直接处理patch作为输入，分离空间和通道维度的混合，并在整个网络中保持相同大小和分辨率。然而，ConvMixer仅使用标准卷积来实现混合步骤。尽管其简单，实验展示了ConvMixer在相似参数量和数据集大小下，优于ViT、MLP-Mixer及其变体，并且在性能上超过了经典的视觉模型，如ResNet。

2、关键问题

  - 由于Transformer中使用的自注意力层的计算成本会随着图像中像素数量的平方增长，如果直接在像素级别应用，代价会过高，因此通常会将图像分割成多个“patch”，线性嵌入，然后直接对这些patch应用Transformer。

  - 视觉Transformer的强大性能是否更多地源于patch-based表示，而非Transformer架构本身？

3、原理

A Simple Model: ConvMixer

  提出的模型，称为ConvMixer，由一个patch嵌入层，随后是简单全卷积块的重复应用。如图2所示，保持patch嵌入的二维空间结构。使用patch大小为$p$和嵌入维度为$h$的patch嵌入，可以通过$c$个输入通道的卷积实现，输出通道为$h$，卷积核大小为$p$，步长为$p$：
KaTeX parse error: Expected 'EOF', got '_' at position 98: …p, \text{kernel_̲size}=p)}) + z_…

  ConvMixer块本身包含深度卷积DWConv（即组卷积，组数等于通道数$h$）随后是point-wise卷积（即$1\times 1$卷积）。在第3节将解释，ConvMixer在深度卷积中使用异常大的卷积核尺寸时效果最佳。每个卷积操作后都跟着激活函数和后激活的批归一化：
$$z_l^{{}^{\prime }}=\text{BN}(\sigma \text{ConvDepthwise}(z_{l-1}))+z_{l-1}(2)$$

$$z_{l+1}=\text{BN}(\sigma \text{ConvPointwise}(z_l))(3)$$

  经过多次这样的块应用后，进行全局池化，得到一个大小为$h$的特征向量，然后将其传递给softmax分类器。如图 3 所示，这是在 PyTorch 中实现 ConvMixer 的示例。

  Design parameters. \ ConvMixer的实例化依赖于四个参数：

(1) "宽度"或隐藏维度$h$（即嵌入块的维度）；

(2) 深度$d$，或 ConvMixer 层的重复次数；

(3) 控制模型内部分辨率的$patch$大小$p$；

(4) 深度卷积层的内核大小$k$。

  根据隐藏维度$h$和深度$d$来命名ConvMixer，例如$ConvMixer-h/d$。文中将原始输入大小$n$除以$patch$大小$p$称为内部分辨率；然而，ConvMixer支持可变大小的输入。

  Motivation. 架构基于Tolstikhin 等人（2021）提出的混合思想。具体来说，选择深度卷积来混合空间位置，点卷积来混合通道位置，以此分离通道和空间的混合。先前工作的关键点是，MLP和自注意力可以混合远处的空间位置，即它们可以具有任意大的感受野。因此，使用了具有异常大内核大小的卷积来混合远处的空间位置。虽然自注意力和MLP在理论上更灵活，能够实现大感受野和内容感知行为，但卷积的先验偏置非常适合视觉任务，且数据效率高。通过使用这种标准操作，还可以观察到patch表示本身与卷积网络中金字塔形、逐层下采样的传统设计相比的影响。

4、实验

Training setup.

  主要在ImageNet-1k分类上评估ConvMixers，无需任何预训练或其他数据。将 ConvMixer 添加到 timm 框架中（Wightman，2019 年），并使用接近标准的设置对其进行训练：除了默认的timm增强之外，实验还使用了 RandAugment（Cubuk 等人，2020 年）、mixup（Zhang 等人，2017 年）、CutMix（Yun 等人，2019 年）、随机擦除（Zhong 等人，2020 年）和梯度范数剪裁。实验使用了AdamW（Loshchilov&Hutter，2018）优化器和一个简单的triangular learning rate策略。由于计算能力有限，在 ImageNet 上完全没有进行超参数调整，并且训练的epoch比竞争对手少。因此，所提模型可能过度或欠正则化，文章报告的精度可能低估了模型的能力。

Results.

  具有 52M 参数的 ConvMixer-1536/20 在 ImageNet 上可以达到 81.4% 的Top-1准确率，而具有 21M 参数的 ConvMixer-768/32 可以达到 80.2%（见表 1）。更宽的 ConvMixer 似乎收敛在更少的 epoch 中，但对内存和计算都很依赖。它们也适用于大内核大小：当内核大小从$k=9$减小到$k=3$时，ConvMixer-1536/20的准确率损失了$\approx 1$（我们在附录A和B中详细讨论了内核大小）。在实验中，具有较小patch的ConvMixers要好得多，类似于Sandler等人（2019）;作者认为更大的补丁需要更深的 ConvMixer。除了将补丁大小从 7 个增加到 14 个之外，其他条件都保持不变，ConvMixer-1536/20 实现了 78.9% 的Top-1准确率，但速度提高了约 $4 \times $。实验用ReLU训练了一个模型，以证明在最近的各向同性模型中流行的GELU（Hendrycks&Gimpel，2016）是不必要的。

Comparisons.

  所提模型和仅 ImageNet1k 的训练设置与最近的基于patch的模型（如 DeiT）非常相似（Touvron 等人，2020 年）。由于 ConvMixer 的简单性，作者专注于仅比较适用于 ImageNet-1k 设置的最基本的各向同性基于patch的架构，即 DeiT 和 ResMLP。为了与标准基线进行公平的比较，作者使用与 ConvMixer 完全相同的参数训练了 ResNets；虽然这种参数选择是次优的（Wightman 等人，2021 年），但对于 ConvMixer 来说也可能是次优的，因为作者没有进行超参数调整。

  从表1和图1可以看出，ConvMixer在给定的参数下实现了具有竞争力的精度：ConvMixer-1536/20的性能优于ResNet-152和ResMLP-B24，尽管参数要少得多，并且可与DeiT-B竞争。ConvMixer-768/32 仅使用了 ResNet-152 的三分之一参数，但同样准确。请注意，与 ConvMixer 不同，DeiT 和 ResMLP 结果涉及超参数调优，当大量资源专门用于调优 ResNets 时，包括训练两倍的 epoch，它们的性能仅比同等大小的 ConvMixer 约高出 0.2%（Wightman 等人，2021 年）。然而，ConvMixer 的推理速度比竞争对手慢得多，这可能是因为它们的patch大小较小;超参数调整和优化可以缩小这一差距。有关更多讨论和比较，请参阅表 2 和附录 A.

CIFAR-10 Experiments.

  作者还在 CIFAR-10 上进行了小规模的实验，其中 ConvMixers 以低至 0.7M 的参数实现了超过 96% 的准确度，证明了卷积归纳偏置的数据效率。这些实验的细节见附录B。

5、相关工作

  Isotropic architectures. 视觉Transformer激发了一种新的“同质化”架构理念，即网络中各层的大小和形状保持一致，首层使用patch嵌入。这些模型类似于重复的Transformer编码器块（Vaswani et al., 2017），其中自注意力和MLP操作被不同的操作所替换。例如，MLP-Mixer（Tolstikhin et al., 2021）用跨不同维度（即空间和通道位置混合）的MLP替换两者；ResMLP（Touvron et al., 2021a）则是这一主题的数据效率变体。CycleMLP（Chen et al., 2021）、gMLP（Liu et al., 2021a）和视觉置换器（Hou et al., 2021）则用各种新颖操作替换一个或两个块。这些模型表现出色，通常归功于新颖操作的选择。相反，Melas-Kyriazi（2021）提出了基于MLP的同质化视觉模型，并推测patch嵌入可能是其性能的关键。ResMLP尝试用（小内核）卷积替换其线性交互层，表现出良好性能，但保留了基于MLP的跨通道层，并未进一步探索卷积。正如我们对ConvMixers的研究所示，这些工作可能混淆了新操作（如自注意力和MLP）的效果与patch嵌入使用以及由此产生的同质化架构的影响。

  在视觉Transformer出现之前，已有研究探讨了同质化（或“等距”）的MobileNets（Sandler et al., 2019），甚至以另一种方式实现了patch嵌入。他们的架构简单地重复同质化的MobileNetv3块。他们发现了patch大小与准确性的权衡，这与我们的经验相符，并训练出了性能相近的模型（见附录A，表2）。然而，他们的块远比我们的复杂；我们的工作在于简洁性和动机。

  Patches aren’t all you need. 一些论文通过替换标准patch嵌入以提高视觉Transformer的性能，如Xiao et al. (2021)和Yuan et al. (2021a)使用标准卷积茎，而Yuan et al. (2021b)则重复组合附近的patch嵌入。然而，这将patch嵌入的使用效果与添加卷积或类似归纳偏置（如局部性）的效果混为一谈。我们试图关注patch嵌入的使用。

  CNNs meet ViTs. 许多努力试图将卷积网络的特性融入视觉Transformer，反之亦然。自注意力可以模拟卷积（Cordonnier et al., 2019），并可以初始化或正则化以类似卷积；其他工作则直接在Transformer中添加卷积操作（Dai et al., 2021;Guo et al., 2021），或包括下采样以更接近传统的金字塔形卷积网络（Wang et al., 2021）。相反，自注意力或类似注意力的操作可以补充或替代ResNet风格模型中的卷积（Bello et al., 2019;Ramachandran et al., 2019;Bello, 2021）。尽管这些尝试在某种程度上都取得了成功，但它们与我们的工作是独立的，我们的目标是强调大多数ViT共有的架构影响，通过展示它与表达能力较低的操作。

6、总结

  文中介绍了ConvMixers，这是一种极其简单的模型，仅使用标准卷积就独立地对嵌入的patch的空间和通道位置进行混合。受ViT和MLP-Mixer大感受野的启发，使用大卷积核尺寸能显著提升性能。ConvMixers超越了Vision Transformer和MLP-Mixer，并与ResNets、DeiT和ResMLPs相当。

  文中提供了证据，表明日益普遍的“同质化”架构，即简单的patch嵌入基础，本身就是深度学习的强大模板。patch嵌入允许所有下采样一次性完成，立即降低内部分辨率，从而增加有效感受野，使得混合远处空间信息更加容易。文中指出，注意力并非语言处理向计算机视觉的唯一输出：使用patch嵌入，即token化输入，同样是一种强大且重要的启示。

7、附录：可视化

  在图4和图5中，分别可视化了$p=14$的 ConvMixer-1536/20 和 $p=7$ 的 ConvMixer-768/32 的patch embedding层的（完整）权重。与Sandler等人（2019）非常相似，该层由类似Gabor的过滤器以及“彩色球体”或粗糙边缘探测器组成。 过滤器似乎比 MLP-Mixer 学习的过滤器更有结构（Tolstikhin 等人，2021 年）；与 MLP-Mixer 不同的是，从 $p=14$ 到 $p=7$ 的权重看起来大致相同：后者看起来只是前者的缩减采样版本。因此，目前尚不清楚为什么看到较大补丁的准确性会下降。然而，一些滤波器本质上看起来像噪声，可能表明需要更多的正则化或更长的训练，甚至需要更多的数据。归根结底，作者不能过多地解读这里所学的表征。图 6 绘制了 ConvMixer 连续层的隐藏卷积核。最初，内核似乎相对较小，但在后面的层中利用了它们允许的全尺寸;有一个清晰的特征层次结构，正如人们所期望的那样 标准卷积架构.有趣的是，Touvron 等人 （2021a） 对 ResMLP 看到了类似的效果，其中早期层看起来像小核卷积，而后期层则更加分散，尽管这些层由无约束矩阵乘法而不是卷积表示。