机器学习 - CaiT：Facebook提出高性能深度ViT结构 | ICCV 2021 - 晓飞的算法工程笔记

CaiT通过LayerScale层来保证深度ViT训练的稳定性，加上将特征学习和分类信息提取隔离的class-attention层达到了很不错的性能，值得看看
来源：晓飞的算法工程笔记公众号

论文: Going deeper with Image Transformers

论文地址：https://arxiv.org/abs/2103.17239
论文代码：https://github.com/facebookresearch/deit

Introduction

自ResNet出现以来，残差架构在计算机视觉中非常突出：

其中函数$g_l$和$R_l$定义了网络如何更新第l层的输入$x_l$。函数$g_l$通常是恒等式，而残差分支$R_l$则是网络构建的核心模块，许多研究都着力于残差分支$R_l$的变体以及如何对$R_l$进行初始化。实际上，残差结构突出了训练优化和结构设计之间的相互作用，正如ResNet作者所说的：残差结构没有提供更好的特征表达能力，之所以取得更好的性能，是因为残差结构更容易训练。

目前很火的ViT网络可认为是实现了一种特定形式的残差架构：在将输入图像转换为一组$x_0$的向量之后，网络交替进行自注意力层 (SA) 与前馈网络 (FFN) 处理：

其中$\eta$是LayerNorm算子。

对于卷积神经网络和应用于NLP或语音任务的Transformer，如何对残差架构的残差分支进行归一化、加权或初始化受到了广泛关注。作者也在ViT上对不同初始化、优化和架构设计之间的相互作用进行了分析，并且提出了LayerScale层。LayerScale层包含一个初始权值接近于零的可学习对角矩阵，加在每个残差模块的输出上，可以有效地改进更深层架构的训练。

此外，作者还提出了class-attention层。类似于编码器/解码器架构，显示地将用于token间特征提取的transformer层与将token整合成单一向量进行分类的class-attention层分开，避免了两种目标不同的处理混合的矛盾现象。

通过实验验证，论文的主要贡献如下：

LayerScale能够显着促进了训练收敛并提高了深度更大的ViT的准确性，仅需在训练时向网络添加了数千个参数（对比总参数量可以忽略不计）。
具有class-attention的架构提供了更高效的class embedding的处理。
在Imagenet-Real和Imagenet V2 matched frequency上，CaiT无需额外的训练数据就达到了SOTA性能。在ImageNet1k-val上，CaiT与最先进的模型 (86.5%) 相当，但仅需要更少的 FLOPs (329B vs 377B)和更少的参数(356M vs 438M)。
在迁移学习方面也取得了相当的结果。

Deeper image transformers with LayerScale

作者的目标是在提高Transformer架构的深度同时，提升图像分类训练优化的稳定性。在ViT和DeiT两项工作中，都没有研究仅在Imagenet上训练时，更大的深度可以带来任何好处：更深的ViT架构性能反而更低，而DeiT则只考虑了12层的架构。

图1展示了可能有助于优化的主要变体，图a是标准的预归一化结构。图b则是Fixup、ReZero和SkipInit这类引入可学习标量$a_l$的结构，该类结构会同时去掉预归一化层和学习率warmup：

ReZero简单地初始化为$\alpha = 0$，而Fixup则初始化为$\alpha = 1$并进行其他修改：采用不同的权值的初始化策略，添加了几个偏置权值。但在作者的实验中，即使对超参数进行了调整，这些方法也难以收敛。

经过观察，移除warmup和层归一化是导致Fixup和T-Fixup训练不稳定的原因。因此作者重新引入这两部分，使Fixup和T-Fixup在DeiT模型上收敛，如图1c所示。当深度增加时，以较小的值初始化的可学习标量$a_l$确实有助于收敛。

Our proposal LayerScale

作者提出的LayerScale对输出进行通道级别的乘法，而不是单个标量，如图1d所示，将权值更新与特定输出通道关联。公式上，可认为LayerScale是对每个残差分支输出的对角矩阵乘积：

其中参数$\lambda_{l,i}$和$\lambda^{'}_{l,i}$是可学习权值，初始化为一个固定的小值$\varepsilon$：

深度小于18时，设置为$\varepsilon=0.1$。
深度小于24时，设置为$\varepsilon=10^{-5}$。
对于更深的网络，设置为$\varepsilon=10^{-6}$。

该公式类似于其他归一化策略，如ActNorm或LayerNorm，但是在残差分支的输出上执行。此外，实际目的也有很大区别：

ActNorm是数据相关的初始化，使输出具有零均值和单位方差，就像batchnorm操作。而LayerScale用较小的值初始化对角线，使其对残差分支的初始影响很小。因此，LayerScale更接近于ReZero、SkipInit、Fixup和T-Fixup等方法：先训练接近恒等函数的网络，然后在训练过程中让网络逐步集成额外参数。
LayerScale在优化方面提供了更多的多样性，而不仅仅是通过一个可学习的标量调整，这也是LayerScale优于现有方法的决定性优势。

添加这些参数不会改变架构的特征表达能力，因为也可以集成到SA和FFN层的矩阵参数中，无需更改网络的实现。

Specializing layers for class attention

CaiT架构如图2右，设计核心旨在规避ViT架构要求权值训练同时优化两个相互矛盾的目标的问题。两个矛盾的目标分别是：

学习token之间的自我注意。
总结token间对分类有用的信息。

为此，CaiT的核心就是将上面两个矛盾完全分隔开。

Later class token

作为对比，在网络中间中插入Class token，这样前面的层可以专注于执行自我注意计算。作为不受矛盾目标影响的baseline，作者还考虑了将输出的平均池化用于分类的做法

Architecture

CaiT包含两个不同的处理阶段：

self-attention阶段与ViT转换器类似，但没有Class token。
class-attentio阶段是一组层，将token集合成class token，随后将输入到线性分类器中。

class-attention阶段依次交替由多头类注意（CA）和FFN组成的层，在这个阶段只有class token会更新。

Multi-heads class attention

CA的作用是从token中提取信息，与SA 类似，但CA只计算class toekn $x_{class}$和$x_{class}$与冻结的token $x_{patches}$的集合之间的注意力。

定义具有h个head和p个token的网络，d为token维度，将多头类注意力参数化为投影矩阵$W_q、W_k、W_v、W_o \in \mathbb{R}^{d\times d}$和偏置$b_q, b_k, b_v, b_o \in R_d$。基于上述定义，CA参数分支的计算可公式化为：

先将输入token扩充为$z=[x_{class}, x_{patches}]$，执行以下映射：

计算类注意力权重，其中$Q\cdot K^T\in\mathbb{R}^{h\times 1\times p}$：

将注意力用于加权得到残差分支输出：

将输出叠加到$x_{class}$中以进行后续处理。

CA从特征token中提取有用信息整合到class token中。在实验中发现，第一个CA和FFN模块提供了主要的性能提升，叠加第二个模块就足以达到性能提升上限。

Complexity

CA函数在内存和计算方面也比SA更轻量，因为CA只计算class token和token集合之间的注意力：

对于CA，$Q\in\mathbb{R}^d$，$Q\cdot K^T\in\mathbb{R}^{h\times 1\times p}$。
对于SA，$Q\in\mathbb{R}^{p\times d}$，$Q\cdot K^T\in\mathbb{R}^{h\times p\times p}$。

这意味着，与token数量成二次方的计算复杂度在CaiT层中变为线性计算负责度。