一种可以编码局部信息的结构T2T module，并证明了T2T的有效性

 

深度学习实战

前面提到过ViT，但是ViT在数据量不够巨大的情况下是打不过ResNet的。于是ViT的升级版T2T-ViT横空出世了，速度更快性能更强。T2T-ViT相比于ViT，参数量和MACs(Multi-Adds)减少了200%，性能在ImageNet上又有2.5%的提升。T2T-ViT在和ResNet50模型大小差不多的情况下，在ImageNet上达到了80.7%的准确率。论文的贡献：

证明了通过精心设计的Transformer-based的网络(T2T module and efficient backbone)，是可以打败CNN-based的模型的，而且不需要在巨型的训练集(如JFT-300M)上预训练。

提出了一种可以编码局部信息的结构T2T module，并证明了T2T的有效性。

展示了在设计CNNs backbone时用到的architecture engineering经验同样适用于设计Transformer-based的模型，通过大量的实验证明深且窄(deep-narrow)的网络能够增加feature的丰富性和减少冗余。

 Why T2T-ViT?

先来说下ViT[1]，ViT在从头开始训练(trained from scratch) ImageNet时，效果甚至比CNN-based的模型还差。这显然是不能让人足够满意的，文中分析了两点原因：
  （1）由于ViT是采用对原图像分块，然后做Linear Projection得到embedding。但是通过实验发现，这种基于原图像的简单tokenization并没有很好地学到图像的边缘或者线条这种低级特征，导致ViT算法的学习效率不高，难以训练，因此ViT需要大量的数据进行训练。
  （2）在有限的计算资源和有限的数据的情况下，ViT冗余的attention主干网络难以学得丰富的特征。
  所以为了克服这些限制，提出了Tokens-To-Token Vision Transformers(T2T-Vit)。为了证明上面的结论，还做了一个实验，可视化了ResNet、ViT和T2T-ViT所学到的特征的差异。
 

绿色的框中表示了模型学到的一些诸如边缘和线条的low-level structure feature，红色框则表示模型学到了不合理的feature map，这些feature或者接近于0，或者是很大的值。从这个实验可以进一步证实，CNN会从图像的低级特征学起，这个在生物上是说得通的，但是通过可视化来看，ViT的问题确实不小，且不看ViT有没有学到低级的特征，后面的网络层的feature map甚至出现了异常值，这个是有可能导致错误的预测的，同时反映了ViT的学习效率差。  Tokens-to-Token:Progressive Tokenization

为了解决ViT的问题，提出了一种渐进的tokenization去整合相邻的tokens，从tokens到token，这种做法不仅可以对局部信息的建模还能减小token序列的长度。整个T2T的操作分为两个部分：重构(re-structurization)和软划分(soft split)。（1）Re-structurization假设上一个网络层的输出为T，T经过Transformer层得到T'，Transformer是包括mutil-head self-attention和MLP的，因此从T到T'可以表示为T' = MLP(MSA(T))，这里MSA表示mutil-head self-attention，MLP表示多层感知机，上述两个操作后面都省略了LN。经过Transformer层后输出也是token的序列，为了重构局部的信息，首先把它还原为原来的空间结构，即从一维reshape为二维，记作I。I = Reshape(T')，reshape操作就完成了从一维的向量到二维的重排列。整个操作可以参见上图的step1。（2）Soft Split与ViT那种hard split不同，T2T-ViT采用了soft split，说直白点就是不同的分割部分会有overlapping。I会被split为多个patch，然后每个patch里面的tokens会拼接成一个token，也就是这篇论文的题目tokens to token，这个步骤也是最关键的一个步骤，因为这个步骤从图像中相邻位置的语义信息聚合到一个向量里面。同时这个步骤会使tokens序列变短，单个token的长度会变长，符合CNN-based模型设计的经验deep-narrow。  T2T module

在T2T模块中，依次通过Re-structurization和Soft Split操作，会逐渐使tokens的序列变短。整个T2T模块的操作可以表示如下：  

由于是soft split所以tokens的序列长度会比ViT大很多，MACs和内存占用都很大，因此对于T2T模块来说，只能减小通道数，这里的通道数可以理解为embedding的维度，还使用了Performer[2]来进一步减少内存的占用。  Backbone

为了增加特征的丰富性和减少冗余，需要探索一个更有效的backbone。从DenseNet、Wide-ResNets、SENet、ResNeXt和GhostNet寻找设计的灵感，最终发现：（1）在原ViT的网络结构上采用deep-narrow的原则，增加网络的深度，减小token的维度，可以在缩小模型参数量的同时提升性能。（2）使用SENet[3]中的channel attention对ViT会有提升，但是在使用deep-narrow的结构下提升很小。  Architecture

T2T-ViT由T2T module和T2T-ViT backbone组成。PE是position embedding。对于T2T-ViT-14来说，由14个transformer layers组成，backbone中的hidden dimensions是384。对比ViT-B/16，ViT-B/16有12个transformer layers，hidden dimensions是768，模型大小和MACs是T2T-ViT-14整整三倍。    Experiments

在不使用预训练时，T2T-ViT和ViT的对比，可以看到T2T-ViT真的是完胜ViT啊，不仅模型比你小，精度还比你高。

不仅完胜ViT，ResNet也不在话下，说实话看到这个结果的时候真的可以说Transformer战胜了CNN了。  Conclusion

T2T-ViT通过重构图像的结构性信息，克服了ViT的短板，真正意义上击败了CNN。通过提出tokens-to-token的process，逐渐聚合周围的token，增强局部性信息。这篇论文中不仅探索了Transformer-based的网络结构的设计，证明了在Transformer-based模型中deep-narrow要好于shallow-wide，还取得了很好的性能表现。  Reference

[1] A. Dosovitskiy, L. Beyer, A. Kolesnikov, D. Weissenborn, X. Zhai, T. Unterthiner, M. Dehghani, M. Minderer, G. Heigold, S. Gelly, et al. An image is worth 16x16 words: Transformers for image recognition at scale. arXiv preprint arXiv:2010.11929, 2020. [2] K. Choromanski, V. Likhosherstov, D. Dohan, X. Song, A. Gane, T. Sarlos, P. Hawkins, J. Davis, A. Mohiuddin, L. Kaiser, et al. Rethinking attention with performers. arXiv preprint arXiv:2009.14794, 2020. [3] Hu J, Shen L, Sun G. Squeeze-and-excitation networks[C]//Proceedings of the IEEE conference on computer vision and pattern recognition. 2018: 7132-7141.  

责任编辑：lq