水木番 发自 凹非寺
量子位 报道 | 公众号 QbitAI

谷歌昨天提出的MLP-Mixer，可谓是小火了一把。

简单来说，就是不需要卷积模块、注意力机制，就可以达到与CNN、Transformer相媲美的图像分类性能。

但看到新闻的牛津大学博士Luke Melas-Kyriazi，却沮丧了好一会：

因为大约一个月前，他就发现了可以用前馈层替换注意力层，并已经获得了很好的效果。

也就是说，他的方法和MLP-Mixer差不多……

所以当他看到报纸时，他甚至一度曾考虑报废自己的成果。

但他最终还是把成果发在了arXiv上，全文包括了4页的报告和代码。

让我们来看看他的成果。

研究原理

视觉transformer在图像分类和其他视觉任务上的强大性能，通常归因于其multi-head 注意力层的设计。

但是，目前尚不清楚引起这种强劲表现的程度。

而在这份简短的报告中，他亮出了核心观念：

注意力层是必要的吗？

具体来说，他将视觉transformer中的注意力层，替换为应用于patch dimension的前馈层。

最终产生的体系结构，只是一系列以交替的方式应用于patch和特征dimension的前馈层。

在ImageNet上进行的实验中，此架构的性能出奇地好：

基于ViT / DeiT的模型，可达到74.9％的top-1精度，而ViT和DeiT分别为77.9％和79.9％。

他的结果表明，无需注意力层，视觉transformer的其他方面，例如patch embedding，可能是其性能强大的主要原因。

他也希望这些结果能帮助大家，花更多的时间，来理解为什么目前的模型能像现在这样有效。

MLP-Mixer的原理

再回头看看谷歌的MLP-Mixer。

MLP-Mixer是一种仅基于多层感知机（MLP）的体系结构。

MLP-Mixer包含两种类型的层：一种具有独立应用于图像patches的MLP（即“混合”每个位置特征），另一种具有跨patches应用的MLP（即“混合”空间信息）。

MLP-Mixer用Mixer的MLP来替代ViT的transformer，减少了特征提取的自由度，并且巧妙的可以交替进行patch间信息交流和patch内信息交流。

从结果上来看，纯MLP貌似也是可行的，而且省去了transformer复杂的结构，变的更加简洁。

你品，你细品！

怎么样，是不是很像？

Luke Melas-Kyriazi自己说，这是与谷歌MLP-Mixer并行的研究，idea完全相同，不同之处在于使用了更多的计算。

网友：几乎相同，但好过谷歌！

论文看起来与MLP-Mixer几乎相同，除了Mixer的大数据方法中包含了花式的数据和长效的实验。

他的“前馈层堆栈”比MLP-Mixer的还要精确得多！

而他也表示：

正是大公司的介入使竞争越来越激烈，他们可以在更短的时间内进行更多的实验，就像高度优化的造纸机。

好吧，果然大神们的世界做课题的方向和速度都是一样的“神”。

有兴趣的亲们记得去看这两个研究的原文。

团队介绍

Luke Melas-Kyriazi 哈佛大学数学系毕业生、现牛津大学博士。

目前，在牛津大学Andrea Vedaldi教授指导下，Luke攻读方向为机器学习和计算机视觉，专注于半监督和多模式学习研究。

参考链接：

[1]https://www.reddit.com/r/MachineLearning/comments/n62qhn/r_do_you_even_need_attention_a_stack_of
[2]https://arxiv.org/abs/2105.02723
[3]https://www.reddit.com/r/MachineLearning/comments/n59kjo/r_mlpmixer_an_allmlp_architecture_for_vision/
[4]https://arxiv.org/abs/2105.01601
[5]https://zhuanlan.zhihu.com/p/369959580
[6]https://www.163.com/dy/article/G9AVMRPD0511DPVD.html