卷友们好，我是rumor。

这两天忍不住又卷去看CV领域的论文了，主要是前些日子恺明大神的MAE太过强大，感觉不看会错过一个亿。看了之后果然不负我的期待，大道至简，思路太清晰了、太深刻了，给他投光我的几百个B币都不为过。

不过，相信很多NLP领域的同学和我的第一反应一样，听到CV领域终于出了一个类似BERT的模型，却内心有一丝丝的疑惑：BERT都出来三年了，CV领域的为什么现在才出来？而明明看起来这么简单的做法，为什么只有恺明大神成功了？

没错，我也有这个疑惑，于是我去翻了一下恺明大神在相关工作提到的iGPT、ViT、BEiT。把这三篇看下来，我才真正领略到了大神思想的高度。

难道之前的工作没试过提升mask ratio吗？不是的。

难道之前的工作没试过用ViT预测pixel吗？不是的。

而这就是大神的NB之处，明明别人都试过了，觉得不work，而MAE就是能把这两个核心问题想清楚，然后做出效果。

到底怎么做出来的呢？不急，我来帮大家捋一捋。

iGPT

我们这个故事，要从2020年OpenAI的iGPT讲起。OpenAI是一个想把一切GPT化的公司，到了图像这里，自然的想法就是用GPT来训一个图像模型。但是图像是个三维的数据（长x宽x通道），不像文字一样可以变成一维向量的序列。如果直接把图像的三维矩阵拼成二维也可以，但这样数量就太多了。于是iGPT就想到了一个方法，把图像马赛克掉，变成一个个色块，数量一下就减少了，可以像NLP一样愉快地输入到Transformer了：

解决这个核心难点之后就很愉快了，可以无脑用GPT和BERT啦。

最后实验下来，BERT在两个数据集的平均表现比GPT差一点点（橙色）：

而且BERT因为mask的方式，存在训练预测不一致的问题，OpenAI尝试对测试数据随机mask 5个token，最终ImageNet结果果然上升了一些（红色）。但还是改变不了OpenAI要用GPT统治一切的事实，这篇文章还是用GPT-2（摊手。

iGPT虽然尝试过形式与BERT接近的预训练，但却连一个MAE的关键点都没碰到。其中我觉得问题最大的主要是这个马赛克操作，就拿文中贴的例子来看，都被马赛克成那样子了，还学习什么呢。。。虽然事实证明还是有效果的，但还是从输入上就降低了模型的拟合能力。

但别急，这个问题马上就被解决了。

ViT

第二个出场的嘉宾，就是红遍大江南北的Vision Transformer——ViT。

它对上面问题的解决办法，就是思想上借鉴了CNN的局部特征抽取，把图片分割成一个个patch，再通过线性映射成一个类似NLP的token embedding。同时为了保留位置信息，加上了可学习的position embedding。

从ViT开始，CVer们终于可以更优雅地使用Transformer了。然而ViT的实验还是跟传统CV一样，进行有监督的预训练。为什么不试试MLM呢？其实他们试过了，但效果不好，所以没重点放出来。

在附录中，ViT其实尝试过三种预训练方法，首先mask掉50%的patch，然后：

1. 只预测patch的mean color

2. 只预测一个马赛克版的patch

3. 用L2损失预测所有pixel

第三种方法真的很接近有木有！！！然而实验发现第三种更差一些，第一种最好，但也比有监督的落后4个点。

看到这里，如果去翻翻MAE的分析实验，就会发现MAE mask 50%之后的效果也很好：

怎么办，就导致我这个旁观者很着急。虽然ViT已经是很厉害的工作了，如果当时再想想，简直神上加神。到底是什么点呢？我们留到MAE再说。

BEiT

第三位出场的嘉宾是BEiT，微软今年年中的工作，作者之一是知乎的董力大佬。

BEiT的形式同样很接近BERT，只不过用了一个dVAE对patch进行离散化（就像NLP的token也是离散化的）。dVAE需要先在语料上训练出一个encoder和一个decoder，encoder用来当作tokenizer，把图像离散化（对应一个个patch），然后给Transformer输入patch，预测离散后的图像，再用decoder还原。

在预训练阶段，最多会mask 40%的patch（同样很接近MAE了）。

另外，作者们其实也试过复原pixel，但效果会有1.8%的下降。对于这个现象，BEiT给出的猜想是，就像多层CNN一样，编码器最终得到的应该是一个更全局、高维的表示，而复现pixel会让后几层太关注局部细节。

MAE

终于轮到MAE出场了，了解了上述几个模型的背景，我们再来看恺明大神在开篇提出的问题：到底是什么原因导致视觉和语言用的masked autoencoder不一样？

核心的三个点是：

1. 结构：CNN天然适合图像领域，而应用Transformer却显得不那么自然，不过这个问题已经被ViT解了。再看上面几篇工作，会发现相比iGPT的马赛克、dVAE的离散化来说，patch形态是对信息损失最少且相对高效的

2. 信息密度：人类的语言太博大精深了，你女朋友的每一句话，都有18层含义。而照片（ImageNet）不一样，它就那么多信息，两三个词就能概括。所以预测的时候，预测patch要比预测词语容易很多，只需要对周边的patch稍微有些信息就够了。所以我们可以放心大胆地mask。这点ViT、BEiT其实也都有，但主要就是最后一点没有深究

3. 需要一个Decoder：首先，是不是一定要复原pixel呢？我觉得是的，因为图片信息密度有限，复原pixel这种细粒度信息会让模型强上加强。那怎么优雅地复原呢？BEiT已经说过了，在预训练图像encoder的时候，太关注细节就损失了高维抽象能力。所以凯明大神加了一个decoder。到这里分工就很明确了，encoder负责抽取高维表示，decoder则负责细粒度还原

罗马不是一天建成的，MAE真正成功的点，就在于把后两个问题想清楚，并且给出了解决方案。

当然还有一些细节，比如：

• 输入侧直接丢掉mask token，效果+0.7，效率x3.3

• 预测normalize之后的pixel，效果+0.5

• 选取数据增强策略，效果+0.2

另外，BEiT和MAE用的预训练数据都是ImageNet-1K，再仔细看他们的预训练超参数，不一样的地方也有很多，但具体造成多大diff还不清楚。

总结

好了，我们的故事接近尾声了。由于时间有限，我只看了以上几篇MAE引用比较的重点工作，肯定还有很多预训练的尝试没有看到，不足之处还请指正。

不同人对科研的品味都不一样，我刚入门NLP的时候，恰好是BERT诞生的时候，记得特别清楚，是18年十月初的一个周末，我达摩院的朋友来找我玩，躺我床上刷手机时，跟我说出了一个很大的工作。再加上后续的一系列预训练进展，导致我越来越喜欢大道至简的方法。知乎上也有人质疑MAE的novelty，而当我们真正顺着看下来时，却可以看到MAE是真的多走了一步，深入浅出，最终呈现给大家一个「这都可以」的结果。

最后，其实预训练模型的价值，不仅是可以更简单、有效的迁移到下游任务，更是它scale的性质，试想如果增加算力、无监督数据就能提升效果的话，你对那个还未到达的天花板好不好奇呢？

整理不易，点赞三连↓