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)集預訓練的基礎上在一些benchmarks做到了SOTA，并且訓練時使用的資源更少。

圖像分塊

要將圖片分塊是因為Transformer是用于NLP領域的，在NLP里面，Transformer的輸入是一個序列，每個元素是一個word embedding。因此將Transformer用于圖像時也要找出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“單詞”。

inductive biases

在機器學習中，人們對算法做了各種的假設，這些假設就是inductive biases（歸納偏置），例如卷積神經網(wǎng)絡就有很強的inductive biases。文中做了一個實驗，在中等大小數(shù)據(jù)集訓練時，精度會略遜色于ResNets。但是這個結果也是應該預料到的，因為Transformer缺少了CNN固有的一些inductive biases，比如平移不變性和局部性。所以當沒有足夠的數(shù)據(jù)用于訓練時，你懂的。但是恰恰Transformer就強在這一點，由于Transformer運算效率更高，而且模型性能并沒有因為數(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很適合訓練大型的數(shù)據(jù)集。

ViT

在ViT中，模型只有Encoder的，沒有Decoder，因為只是用于識別任務，不需要Decoder。

首先按照慣例，先把圖像的patch映射成一個embedding，即圖中的linear projection層。然后加上position embedding，這里的position是1D的，因為按照作者的說法是在2D上并沒有性能上的提升。最后還要加上一個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，而是經過CNN得到的feature map的patch。

實驗結果

不同大小的ViT的參數(shù)量。

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

BiT[2]是谷歌用JFT-300M（谷歌內部非公開數(shù)據(jù)集）訓練的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?？梢钥吹?，在JFT-300M預訓練的情況下，ViT比ResNet好上不少，并且開銷更小。

總結

ViT的成功我認為是以下幾點：

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、計算效率高，因為self-attention可以看作是矩陣運算，所以效率很高，容易訓練大型的模型。

原文標題：視覺新范式Transformer之ViT

文章出處：【微信公眾號：深度學習實戰(zhàn)】歡迎添加關注！文章轉載請注明出處。

責任編輯：haq