导读
本文提出了迄今为止最大的密集视觉 ViT 模型 ViT- 22B，具有220亿参数。并发现超大 ViT 病态训练的不稳定性，这种不稳定性组织了模型尺度的进一步扩展。作者通过仔细设计模型，以较高的效率实现模型并行训练。
本文目录
52 扩展到220亿参数的巨大视觉 Transformer
(来自谷歌，含 ViT 作者)
52 ViT-22B 论文解读
52.1 背景和动机
52.2 三句话概括 ViT-22B 模型的架构
52.3 ViT-22B 的实现方法：异步并行线性操作计算
52.4 数据集和超参
52.5 图像分类迁移性能
52.6 密集预测性能
52.7 ViT-22B 与人类感知的一致性
Transformer 是 Google 的团队在 2017 年提出的一种 NLP 经典模型，现在比较火热的 Bert 也是基于 Transformer。Transformer 模型使用了 Self-Attention 机制，不采用 RNN 的顺序结构，使得模型可以并行化训练，而且能够拥有全局信息。
本文提出了迄今为止最大的密集视觉 ViT 模型 ViT- 22B，具有220亿参数。并发现超大 ViT 病态训练的不稳定性，这种不稳定性组织了模型尺度的进一步扩展。作者通过仔细设计模型，以较高的效率实现模型并行训练。
52 扩展到220亿参数的巨大视觉 Transformer
论文名称：Scaling Vision Transformers to 22 Billion Parameters
论文地址：
https://arxiv.org/pdf/2302.05442.pdf
52.1 背景和动机
与自然语言处理类似，视觉预训练大模型也提高了在各种视觉任务的性能。这不仅依赖于更大的数据集，更大的可扩展的视觉架构，也同样依赖于新的训练策略。
但尽管如此，视觉模型从规模和效果上而言，远远落后于语言模型。迄今为止最大的密集视觉模型只有 4B 参数 ViT[1]，而入门级的语言模型通常包含超过 10B [2][3]个参数以上，最大的密集语言模型有 540B 个参数。稀疏模型也展示出同样的趋势，其中语言模型的参数超过了一万亿[4]，但最大的稀疏视觉模型只有约 15B[5]。
本文提出了迄今为止最大的密集视觉 ViT 模型 ViT-22B，并发现超大 ViT 病态训练的不稳定性，这种不稳定性组织了模型尺度的进一步扩展。作者通过仔细设计模型，以较高的效率实现模型并行训练。ViT-22B 的质量通过分类和下游任务实验进行评估，在这些任务中它达到或提高了当前的最先进水平。
通过多模态训练一个 text tower 来匹配视觉特征，ViT- 22B 在 ImageNet 上实现了 85.9% 的 zero-shot 精度。此外，该模型是一个很好的老师——用作蒸馏目标，作者训练了一个 ViT- B 学生模型，其在 ImageNet 上达到了88.6% 的 SOTA 精度。
除了分布的改进、ViT-22 的可靠性、不确定性估计和公平性都取得了提升。更重要的是，ViT-22 的特征更好地与人类的感知保持一致，实现了之前未见过的 87% 的形状偏差 (shape bias)。
52.2 三句话概括 ViT-22B 模型的架构
ViT-22B 是一种基于 Transformer 的模型，其架构的设计类似于原始 ViT，但包含以下3个修改，以提高效率和大规模训练的稳定性。如下图1所示，用三句话概括分别是：
-
并行设计
-
Query 和 Key 的归一化
-
省略 bias
第1句话，把 ViT 中的 Self-Attention 层换成了一个 Self-Attention 层加一个 MLP 层的并行设计，公式如下：
注意这里作者不是简单地将两个模块相加，而是使用了一个并行化技巧，即：用于 Self-attention 中的 Query，Key，Value 计算的矩阵乘法和 MLP 的第1个线性层被融合到一个单独的操作中；用于 Self-attention 中的输出投影和 MLP 的第2个线性层也被融合到一个单独的操作中。这种方法最初是由 PaLM[6] 提出的，该技术在不降低性能的情况下将最大模型的训练速度提高了 15%。
第2句话，Self-Attention 中 Query 和 Key 的计算过程添加了归一化。在以往 ViT 扩展的工作中，作者观察到了在训练了几千步之后，training loss 发散了的情况，这毫无疑问使得我们无法训练大型 ViT 模型，尤其是在 8B 参数左右的模型中观察到这种不稳定性。
出现这种现象的原因是：注意力矩阵的值异常 (近似于 one-hot，有的地方注意力很大，其他位置几乎为零) 引起的，这导致注意力权重的熵接近于零。为了解决这个问题，作者采用[7]的方法，将 LayerNorm 应用于 Self-Attention 中 Query 和 Key 的计算过程。具体可以写成：
式中, 是 query/key 的维度, 是 layer normalization, 分别是 Query 和 Key 的权重矩阵。对 8B 参数模型的影响如图2所示，其中归一化防止了注意力矩阵的值不受控的异常而导致的训练发散。
第3句话，省略 bias。遵循 PaLM 的做法，从 QKV 投影中去除 bias，并使用没有 bias 项和 centering 的 Layer Normalization[8]。这在不影响训练质量的前提下提升了训练速度。但是，与 PaLM 不同的是，作者对所有 MLP 层使用了 bias 项，因为观察到质量得到了改善，且训练速度没有下降。
ViT-22B 使用 14×14 大小的 Patch，输入图像分辨率为 224×224。类似于原始 ViT，ViT-22B 也采用了可学习的位置编码。在对高分辨率图像 (不同数量的 Patch) 进行微调期间，也对预训练的位置编码执行二维插值。ViT-22B和 ViT-G，ViT-e 的超参数对比如下图3所示。
ViT-22B 的 model card 如下图所示。
52.3 ViT-22B 的实现方法：异步并行线性操作计算
ViT-22B 基于 JAX 框架和 FLAX，Scenic 库，它同时利用了模型和数据的并行性。作者使用了 jax.xmap 这个 API，其对所有中间体的分片 (例如权重和激活) 以及芯片间通信提供了明确的控制。
这个高效的实现如下图5和6所示。该怎么理解这个过程呢？
为了说明这个过程, 这一段我们介绍下它的原理。考虑计算 这个矩阵乘法运算。
比如说我们有 台设备, 设 分别是 的第 个 Block , 那么 分别放在第 台设备上, 如上图5和图6所示。设 。那么现在等于说我们有 个矩阵 的分块。要把这么多块均匀地放在 台 devices 上面, 就 有两种放法。为了方便说明, 这里我们假设 吧。那么现在矩阵 就被分成了 的分块。
-
第1种: 的每一行的块放在同一台 device 上, 即: 放在同一台上面, 对应图5。
-
第2种: 的每一列的块放在同一台 device 上, 即: 放在同一台上面, 对应图6。
对于第1种情况, 计算 需要 次 的通信, 因为 的维度是 , 所以就需要 float 的通信。
对于第2种情况, 计算 需要 次 中间值的通信, 因为 中间值的维度是 , 所以就 需要 float 的通信。
当 时, 采用哪一种计算方式都可以。当 时, 比如 MLP 的输出层有 , 那么这个时候采用第2种情况的计算方法。
注意, 以上通信的过程与计算过程是异步的。即, 当计算一层时, 设备可以开始通信下一层的权重, 从而最大限度地减少通信开销。
作者将芯片组织成大小为 的 逻辑网格，其中 是数据轴的大小, 是模型轴的大小。然后, 对于 组中的每个组, 个设备获得相同 Batch 的图像, 每个设备只保留 的激活值, 并负责计算输出 的 。
52.4 数据集和超参
ViT-22B 在 JFT的一个版本上训练，训练集包含大约 4B 图像，并采用 Sigmoid 交叉熵损失以多标签分类方式使用所有分配的标签。
ViT-22B 把图片分为 14×14 大小的块，使用 65k 的 Batch Size 训练 177k steps (3 Epochs)，初始学习率，reciprocal square-root learning rate schedule，以及 10k 的线性学习率 warmup，和 30k 的的线性学习率 cooldown。上游预训练的权重衰减 head 设为3.0，body 设为 0.03。
52.5 图像分类迁移性能
Linear Probing 实验结果
作者在 ImageNet 上使用了10个周期的动量 SGD，分辨率为 224px，使用 mild random cropping 和 horizontal flipping 作为唯一的数据增强策略，而没有进一步的正则化措施。
如下图7所示是 ViT-22B 的 Linear Probing 实验结果，虽然收益不高，但在这个尺度上仍有显著的改善。而且图7还说明，，像 ViT-22B 这样的大模型的 Linear Probing 可以接近或超过具有小模型的高分辨率完全微调的性能，而 Linear Probing 通常成本更低。
作者进一步在细粒度分类数据集 iNaturalist 2017 上测试线性可分性。iNaturalist 2017 有5,089个细粒度类别，属于13个大类。与 ImageNet 不同，不同类别的图像数量是不平衡的。概念的长尾分布对分类更具挑战性。作者将 ViT- 22B 与其他 ViT 变体进行比较，并测试了 224px 和 384px 的输入分辨率。结果如图8所示，可以观察到 ViT- 22B 明显优于其他变体，特别是在标准的 224px 输入分辨率下，这表明 ViT-22B 中大量的参数对于从图像中提取详细信息是有用的。
Out-of-distribution 实验结果
定义： 在分类任务中，给定测试图片，若模型在训练阶段模型见过或类似的图片，则能正确分类；但如果与训练集完全不相关，也会被强制判定为训练集类别中的一种，这种情况是不合理的。OOD 算法希望能判断的分布状况是否与训练集一致，若一致，则称为 in-distribution (ID)，否则称为 out-of-distribution (OOD)。
使用场景举例： 在 MNIST 上训练的一个分类模型，然后，输入一张“马”的图片，会被归类为数字 0~9，这是错误的。此时，MNIST 数据集就是 in-distribution，相对于 ID 而言，“马”是 out-of-distribution。
作者构建了从 JFT 到 ImageNet 的标签映射，以及从 ImageNet 到不同分布外数据集的标签映射，即 ObjectNet ，ImageNet-v2，ImageNet-R 和 ImageNet-A。ImageNet-R 和 ImageNet-A 使用相同的 ImageNet 的200个标签子空间，而 ObjectNet 有313个类别，其中只考虑与 ImageNet 标签空间重叠的113个类别。那么这样以后，JFT 上面训练出的模型的预测结果就可以转化到其他数据集上面了，这就为模型的 Out-of-distribution 能力提供了一种验证手段。
Out-of-distribution 的评估一般是首先在一个较大的数据集上面 (比如 ImageNet) 做预训练，然后在 ImageNet-R ，ImageNet-A 等数据集上直接评估其性能。实验结果如下图9所示。作者做了两种实验，其一 (图9上半部分) 是首先将 ViT-22B 模型在 JFT 数据集上做预训练，然后在 ObjectNet ，ImageNet-v2，ImageNet-R 和 ImageNet-A 数据集上评估性能。其二 (图9下半部分) 是首先将 ViT-22B 模型在 JFT 数据集上做预训练，然后在 ImageNet 数据集上微调，最后在 ObjectNet ，ImageNet-v2，ImageNet-R 和 ImageNet-A 数据集上评估性能。
把图9中 ObjectNet 的实验结果画出来就是图10.
从图9和10中可以得出结论：把模型做大可以增加 Out-of-distribution 的性能。这适用于只看过 JFT 图像的 ViT-22B 模型，以及在 ImageNet 上做了微调过之后的模型。在这两种情况下，ViT-22B 在更大的模型上都延续了 OOD 性能更好的趋势。即使 ImageNet 的性能饱和，但从图10中也可以看到 ObjectNet 上的精度从 ViT-e/14 到 ViT-22B 的显著提升。
52.6 密集预测性能
密集预测任务的迁移性能也是评价一个 Backbone 模型的关键因素。作者通过语义分割和单目估计任务评价 ViT-22B 捕获的几何和空间信息的质量。
语义分割任务使用 ViT-22B 作为骨干模型，UperNet 作为分类头，在 ADE20K, Pascal Context 和 Pascal VOC 三个数据集上进行评测。如下图11所示，作者将 ViT-22B 与 DeiT-III ，ViT-G 进行了比较，且只使用了一部分的训练数据。作者使用线性解码器和端到端微调。从图11中可以观察到，当只使用少量的数据时，ViT-22B 骨干更好。例如，当只对1200张图像 (即1/16) 的 ADE20K 训练数据进行微调时，ViT-22B 达到了 44.7 mIoU 的性能，比 DeiT-III Large 提高了8.6 mIoU，比 ViT-G 提高了 2.3 mIoU。当数据量较大时，ViT-G 和 ViT-22B 的性能趋于一致。
单目估计任务使用 ViT-22B 作为骨干模型，Dense Prediction Transformer (DPT) 作为单目估计头，或者仅仅使用一个简单的线性解码器作为估计头。实验在 Waymo Open real-world driving 数据集上进行评测。如下图12所示，上半部分 (DPT解码器) 的结果可以观察到，与不同的主干相比，使用 ViT-22B 骨干网络得到了最好的性能。通过将 ViT-22B 骨干与 ViT-e 进行比较，发现扩展架构可以提高性能。使用线性解码器，可再次观察到使用 ViT-22B 骨干模型可获得最佳性能。DPT 和线性解码器之间的差距表明，虽然在 ViT 特征中保留了足够的几何信息，但只有一部分可被普通的线性解码器利用到。
在研究规模的影响时，除了下游任务性能之外，还有一些重要的方面需要考虑。比如一个主干网络的与人类感知的一致性。
52.7 ViT-22B 与人类感知的一致性
ViT-22B 分类决策与人类分类决策的一致性如何？通过这篇论文 "Partial success in closing the gap between human and machine vision" 的方法，作者评估了在 ImageNet 上以不同分辨率 (224,384,560) 微调的三个 ViT-22B 模型。在所有指标中，ViT-22B-224 具有最高的 OOD 稳健性 (图13 (a))， ViT-22B -384 与人类分类精度最接近(图13(b))， ViT-22B-560 具有最大的错误一致性 (即大多数类似人类的错误模式，图13(d))。ViT-22B 模型在视觉模型中有最高的 shape bias 记录：而大多数模型都有很强的 texture bias (20-30% 的 shape bias + 70-80% 的 texture bias)，人类的 shape bias 为 96% + 4%，而 ViT-22B -384 达到了前所未见的 87% shape bias + 13% texture bias。总体而言，ViT-22B显著改善了人类视觉物体识别的对齐。
除此之外，作者还对 ViT-22B 的公平性，鲁棒性，可靠性和校准。进行了相关实验，详细细节读者可以参考原始论文。作者发现，随着模型尺寸的增加，会出现有利的特性。
总结
本文提出了 ViT-22B，目前最大的视觉 Transformer 模型，有220亿个参数。作者证明，通过对原始架构进行三点修改，可以实现出色的硬件利用率和训练稳定性，从而产生一个在几个基准上实现 SOTA 的模型。作者的评估进一步表明，与现有模型相比，ViT-22B 在形状和纹理偏差方面更符合人类，并在公平性和稳健性方面具有优势。
参考：
基于深度模型Out of Distribution(OOD)基础技术路线研究：https://blog.youkuaiyun.com/Aqrose_666/article/details/124592372
参考
-
^PaLI: A Jointly-Scaled Multilingual Language-Image Model
-
^Exploring the Limits of Transfer Learning with a Unified Text-to-Text Transformer
-
^Unifying language learning paradigms
-
^Switch Transformers: Scaling to Trillion Parameter Models with Simple and Efficient Sparsity
-
^Scaling Vision with Sparse Mixture of Experts
-
^PaLM: Scaling language modeling with pathways
-
^Intriguing Properties of Transformer Training Instabilities
-
^Root Mean Square Layer Normalization
国内首个自动驾驶学习社区
近1000人的交流社区，和20+自动驾驶技术栈学习路线，想要了解更多自动驾驶感知（分类、检测、分割、关键点、车道线、3D目标检测、多传感器融合、目标跟踪、光流估计、轨迹预测）、自动驾驶定位建图（SLAM、高精地图）、自动驾驶规划控制、领域技术方案、AI模型部署落地实战、行业动态、岗位发布，欢迎扫描下方二维码，加入自动驾驶之心知识星球，这是一个真正有干货的地方，与领域大佬交流入门、学习、工作、跳槽上的各类难题，日常分享论文+代码+视频，期待交流！
【自动驾驶之心】全栈技术交流群
自动驾驶之心是首个自动驾驶开发者社区，聚焦目标检测、语义分割、全景分割、实例分割、关键点检测、车道线、目标跟踪、3D目标检测、BEV感知、多传感器融合、SLAM、光流估计、深度估计、轨迹预测、高精地图、NeRF、规划控制、模型部署落地、自动驾驶仿真测试、硬件配置、AI求职交流等方向；
添加汽车人助理微信邀请入群
备注：学校/公司+方向+昵称
扫一扫
1万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
