编者按：本文探讨了语言模型为何会比视觉模型的参数数量大得多的原因，并详细介绍了传统 ViT 训练方法在扩展时出现不稳定性的问题。

为此，本文介绍了如何改进架构以实现扩展，并讨论了实现模型最优状态的方法。同时，如何在扩展模型时不产生“偏见”，也是本文重点关注的问题。

很可能，我们很快就可以看到更大型的 ViT（单独或作为多模态模型的组成部分）出现。

以下是译文，Enjoy!

作者 | Salvatore Raieli

编译 | 岳扬

近年来，我们看到 Transformers 的参数数量快速增加。但仔细观察会发现，主要是语言模型（LLMs）的参数在不断增加，现在已经高达惊人的 540 亿参数[1]。为什么这种情况没有出现在视觉模型呢？

对于文本模型（text models），增加数据集大小、使用可随时延展的架构（scalable architectures）和新的训练方法都可能使参数数量增长。如此不仅提高了模型在完成特定任务（如分类等）时的性能，而且随着参数数量的增加，我们还看到了 “涌现” 的出现。

各阶段最先进 NLP 模型的参数大小随时间变化的趋势图。训练这些模型所需的浮点运算数量正以指数方式增长。 [2]

此外，由于大模型可作为迁移学习和微调的基础，因此人们对研发高性能模型的兴趣不断增长。虽已大模型成功应用于多种任务，但许多图像分析任务仍需要专门的模型。

Transformer 的自注意力机制（self-attention） 其优势已经得到证明，成为 2016 年以来的首选模型架构。因此，一些团队已经训练了用于图像处理的 Transformer 模型（vision transformer, ViT）。目前，最强的 ViT 仅有 150 亿个参数。造成这一现象的原因是什么？

最近一项研究中，谷歌成功地训练了一个具有 220 亿参数的模型，并揭示了扩展 ViT 存在困难的原因。

内容提纲：1.解释了为什么传统 ViT 训练方法在扩展时出现不稳定性的原因。 2.介绍了如何改进架构以实现扩展，以及模型达到最优状态的方法。 3.同时，还探讨了如何在扩展模型时提高公平性（fairness）。

01 什么是 vision transformers？

Image from Wikipedia (https://en.wikipedia.org/wiki/Vision_transformer)

Transformers 本质上是不变的，但不能处理网格结构（grid-structured）数据（只能处理序列数据）。因此，为了使用 Transformer 处理图像，我们需要将图像转换成序列数据。 具体如何实现呢？

第一步是将图像转换成一系列片段（patches） ，称为图像块（image patches）。这些图像块基本上是我们需要的 tokens（类似于经典 Transformer 中的 words）。然后，这些图像被“压平”（flatten）并转换为低维度嵌入（这样可以保留信息但减少维度）。此外，像原始 Transformer 一样，我们使用位置编码（positional encoding），以便模型知道图像块在图像中的位置。

提出 ViT 的论文这样描述 ViT (https://arxiv.org/pdf/2010.11929.pdf)

该模型随后将进行监督学习的训练（利用带有图像标签的大型数据集），并可以用于下游任务。

02 为什么难以扩展 ViT，如何解决这个问题？

在引入 ViTs 之前，卷积网络（convolutional networks）一直是完成计算机视觉任务的标准。在《A ConvNet for the 2020s》[3]一文中，作者指出有效扩展模型规模这一问题仍未解决。

另一方面，我们仍尚未扩大 ViTs 的规模。因为在 Transformers 中，模型的规模扩大会导致出现无法预知的行为，这是一个严重的问题。

作者指出，超过 8B 参数后，训练过程中会出现不稳定性，在训练数千 steps 后出现了不收敛的训练损失。 这是由于 attention logits 中的极大值造成的，导致(几乎是独热编码（one-hot）)的注意力权重接近于零熵（near-zero entropy）。为了解决这个问题，作者在点积计算（dot-product）之前给 Queries 和 Keys 添加了层归一化（layer-normalization）。

在下面这幅图中，展示了用这一方法如何改善训练效果。

(source: https://arxiv.org/pdf/2302.05442.pdf)

第二种方法是通过修改架构。在传统的 Transformer 中，在经过自注意力（self-attention）之后输出的是一个多层感知机（multi-layer-perceptron, MLP[4]）。相反，这里的自注意模块（self-attention blocks）与 MLP 并行处理，这种操作不会降低性能，甚至可以将训练速度提升 15%（如谷歌的另一个大型模型 PaLM 所示，这个操作基本上是将矩阵乘法（matrix multiplications）合并为单个运算）。

此外，在注意力机制的投影操作中不再使用偏置项（bias term）（如此也不会降低性能但可以缩短训练时间）。

在图中展示了实施这些措施后的新注意力模块：

(source: https://arxiv.org/pdf/2302.05442.pdf)

下面这张表格对 Google 的模型（ViT-22）和之前最大的 ViT 模型——ViT-G 和 ViT-e 进行比较。

(source: https://arxiv.org/pdf/2302.05442.pdf)

针对训练过程也进行了优化。谷歌采用了 JAX[5]（其已成为谷歌的重点项目，相比之下，TensorFlow 则不太受关注）。他们还使用了一些技巧（异步并行线性操作（asynchronous parallel linear operations）、模型参数切片（parameter sharding） ）来确保使得模型针对 TPU（张量处理单元）进行了优化。

作者使用了一个约 40 亿张图像组成的数据集，这些图像被半自动地划分为 30,000 个类别。有一点需要注意，在 ViT 中，图像被划分成多个部分（称为“patches”），然后与位置（位置编码）一起转换为序列（sequence）。每张图像（224 x 224）被划分成 14 x 14 个 patches，因此一张图像最终由 256 个 tokens 表示。

03 对 ViT 进行扩展是否值得？

模型训练好后，在 ImageNet 数据集（一百万张图片和一千个类别）上进行了测试，主要是为了测试其分类能力。结果表明：相比其他模型，这个 frozen model（即无需进行微调的模型）的性能相当。

(source: https://arxiv.org/pdf/2302.05442.pdf)

此外，该模型已在另一个使用不同图像分辨率的数据集上进行了测试。当 input size 较小时，ViT-22B 可以显著提高准确率。

(source: https://arxiv.org/pdf/2302.05442.pdf)

另一方面，大模型最常见的用途之一就是进行迁移学习（transfer learning）。毕竟，人们通常使用小数据集对大模型进行微调，以完成不同于训练任务的任务。按照作者的说法：

密集预测（dense prediction）的迁移学习尤为重要，因为进行像素级标注可能代价高昂。在本节中，作者调查了 ViT-22B 模型（使用图像级分类目标（image-level classification objective）进行训练）在语义分割（semantic segmentation）和单目深度估计（monocular depth estimation）任务上获取几何和空间信息的质量。(来源：https://arxiv.org/pdf/2302.05442.pdf)

为测试该模型，作者使用了三个语义分割基准数据集（ADEK20k、Pascal Context、Pascal VOC）。此外，他们还测试了使用有限数据进行迁移学习时的情况。

在 ADE20k 数据集上进行小样本（Fewshot）语义分割，仅利用训练集的一小部分。本研究还给出在验证集上进行语义分割的交并比（IoU）(source: https://arxiv.org/pdf/2302.05442.pdf)

ViT-22 在数据量较少时表现最佳，这非常有用，因为通常获取图像及其分割掩码（segmentation mask）的代价非常昂贵，因此相较于其他模型，该模型需要的示例数量要更少。

此外，该模型在 Waymo Open 数据集上展示了卓越的单眼深度估计（monocular depth estimation）能力。

在进行 Waymo Open 数据集上使用不同解码器对冻结的 ViT 特征进行单目深度估计

(source: https://arxiv.org/pdf/2302.05442.pdf)

此外，通过重新设计模型（但保留预训练的 ViT-22），可以将其用于视频分类任务。这表明了利用该模型具有可塑性，可能能够进行多种其他的任务。

另外，作者还展示了微调该模型能够提高其性能的案例：

视频分类结果。我们通过冻结骨干网络，并训练一个小型 Transformer 来汇聚冻结的每一帧表征（representations.）来评估 ViT-22B 的表现。ViT-22B 胜过了之前包含 40 亿参数的最大视觉骨干网络 ViT-e。(source: https://arxiv.org/pdf/2302.05442.pdf)

04 这个模型的公平性如何？

AI 模型容易受到偏见的影响。许多偏见存在于训练数据集中，导致模型放大、学习了虚假相关性和不一致误差（spurious correlation and error disparities） 。由于预训练模型会用于其他任务，错误的偏见会一直延续。

作者认为，对模型进行扩展可以减少这些偏见，并通过使用“群体均等（demographic parity ） ”（DP）作为公平性的度量标准来进行测试。

作者解释了他们的方法：

我们使用 CelebA（Liu 等人，2015）数据集，选取二元的性别（仅有男和女）作为敏感属性（sensitive attribute），而目标是“有吸引力（attractive）”或“微笑（smiling）”。需要注意这些实验仅用于验证技术要求，不应被认为其支持这类与视觉相关的任务。我们选择这些属性（性别）是因为这个模型展现了与性别相关的偏见，如图 15 所示。(source:https://arxiv.org/pdf/2302.05442.pdf)

“在没有偏见减少的情况下，模型中的 DP 通常反映了数据中的 DP。在这个图中，二元的性别是敏感属性，使用预训练特征在 CelebA 数据集上训练 linear heads 来预测其他属性。”

（source: https://arxiv.org/pdf/2302.05442.pdf）

如文献所述，扩大模型的规模提供了一个更有利的权衡，即“在任何指定偏差约束（bias constraint）下，性能随模型规模的增加而提升”。其次，所有子组（subgroups）受益于这种改进，而扩大模型的规模可以减少不同子组（subgroups）间性能上的差异。

“顶部图：每个 DP 级别的 ViT 变体在消除偏见后的 ACC。中部图：CelebA 中的每个子组在去除偏见之前的 ACC。底部图：y 轴为女性和男性两个子组之间性能差异的绝对值。与较小的 ViT 架构相比，ViT-22B 拥有更公平的表现。”

（source: https://arxiv.org/pdf/2302.05442.pdf）

05 模型看到了什么？

计算机视觉模型主要关注纹理，而人类更多地依赖形状。

人类在看一个物体时，具有 96%的形状偏好和 4%的纹理偏好。相比之下，ViT-22B-384 的形状偏好达到了 87%，这是前所未有的，而纹理偏好仅为 13%。这一结果非常有趣，因为大多数模型都具有 20-30%的形状偏好（shape bias）和 70-80%的纹理偏好（texture bias）。同时，这种偏好也是为什么通过改变图像的纹理，即使形状是可识别的，模型也会被欺骗，从而误判图像并错误地标记它的原因之一。

形状偏好：许多视觉模型具有较低的形状偏好和较高的纹理偏好，而在 ImageNet 上微调的 ViT-22B（图中的红色、绿色、蓝色均使用 4B 张图像进行训练（如模型名称后方的括号所示）），具有迄今为止在机器学习模型中记录的最高形状偏好数值，使其更接近于人类的形状偏好。(source: https://arxiv.org/pdf/2302.05442.pdf)

此外，理解模型看到了什么的另一种方法是获得显著图（saliency maps）（基于梯度的特征归因方法） 。

模型冷却前后的显著性

(source：https://arxiv.org/pdf/2302.05442.pdf)

06 总结 Conclusions

Google 发布了一款比之前的 ViTs 模型大 5 倍以上的模型。

我们推出了 ViT-22B，这是目前最大的视觉 Transformer 模型，其参数量达到了 220 亿。通过对原始结构进行小但关键的修改，我们可以实现较好的硬件利用率（hardware utilization）和训练稳定性（training stability），从而得到在多个基准测试中领先的模型。(source：https://arxiv.org/pdf/2302.05442.pdf)

除了模型的规模和基准测试结果外，该模型还是更大型模型的基础。事实上，在此之前要成功扩展 ViT 模型是非常困难的， 因为在训练过程中会出现不稳定性。不过据作者说，通过修改架构可以解决这些问题。

大型模型可以作为不同任务的预训练脚手架（pre-trained scaffolds）（计算机视觉模型可以用于许多生活中的任务）。此外，还出现了一些意想不到的行为[6]（这些行为在小型模型中不存在，并且不能通过模型规模来预测其规律）。此外，这些模型可以集成到多模态模型中（并可能影响其中的“涌现（emergent）”行为[7]）。

此外，ViT-22B 展示了模型扩展在公平性（fairness）方面已经得到了改善。该模型也更加具有鲁棒性（robust） ，更符合人类视觉（即不太依赖纹理，而更多地依赖形状） 。

很可能，我们很快将看到更大型的 ViT（单独或作为多模态模型的组成部分）出现。

END

参考资料

1.https://ai.googleblog.com/2022/04/pathways-language-model-palm-scaling-to.html

2.https://arxiv.org/abs/2104.04473

3.https://arxiv.org/abs/2201.03545

4.https://en.wikipedia.org/wiki/Multilayer_perceptron

5.https://www.businessinsider.com/facebook-pytorch-beat-google-tensorflow-jax-meta-ai-2022-6

6.https://arxiv.org/pdf/2206.07682.pdf

7.https://twitter.com/YiTayML/status/1625205983239880704?s=20&t=_W_AqpJHeJgJ_Af32Av5Jw

本文经原作者授权，由 Baihai IDP 编译。如需转载译文，请联系获取授权。

原文链接：

https://towardsdatascience.com/why-do-we-have-huge-language-models-and-small-vision-transformers-5d59ac36c1d6

可点击下方阅读原文，查看原文。