網(wǎng)絡架構(gòu)之爭：三大主流架構(gòu)對決，誰是王者？深入思考CNN、Transformer與MLP

論文鏈接：https://arXiv.org/abs/2108.13002

本文是中科大&MSRA在DNN的CNN、Transformer以及MLP三大流派紛爭方面的一點深入思考。為分析不同架構(gòu)的特性，作者首先構(gòu)建了一個統(tǒng)一架構(gòu)SPACH將Mixing做成可配置型，以此為基礎上CNN、Transformer以及MLP進行挖掘得出：多階段優(yōu)于單階段、局部建模非常重要以及CNN與Transformer的互補性?；谒诰蛱匦詷?gòu)建了一種CNN與Transformer混合模型，所得模型僅需63M參數(shù)量即可在ImageNet數(shù)據(jù)集上取得83.9%的top1精度，優(yōu)于Swin-B、CaiT-S36。

Abstract

CNN占據(jù)了CV的主流，近來Transformer與MLP開始在ImageNet分類任務上引領新的趨勢。

本文對這些深度神經(jīng)網(wǎng)絡架構(gòu)進行實證研究并嘗試理解他們的利與弊。為確保公平性，我們首先開發(fā)了一種稱之為SPACH的統(tǒng)一架構(gòu)，它采用獨立的模塊進行空域與通道處理。基于SPACH的實驗表明：在適度規(guī)模下，所有架構(gòu)可以取得相當?shù)男阅?。然而，隨著網(wǎng)絡放大，他們表現(xiàn)出不同的行為?；谒冒l(fā)現(xiàn)，我們采用卷積與Transformer提出了兩個混合模塊。所提Hybrid-MS-S+僅需63M參數(shù)量12.3GFLOPs即可取得83.9%top1精度，已有現(xiàn)有精心設計的模型具有相當?shù)男阅堋?/p>

A Unified Experimental Framework

為公平比較三種架構(gòu)，我們需要一個統(tǒng)一架構(gòu)以消除其他可能對性能造成影響的因素。由于近期提出的MLP具有與Transformer相似的架構(gòu)，我們在此基礎上構(gòu)建了一個統(tǒng)一架構(gòu)并嘗試將CNN納入在內(nèi)。

下圖a給出了單階段SPACH架構(gòu)示意圖，ViT與MLP-Mixer均采用了類似架構(gòu)，該架構(gòu)非常簡單，主要包含多個Mixing模塊與必要輔助模塊(如塊嵌入、GAP以及線性分類器)。下圖b給出了Mixing模塊結(jié)構(gòu)示意圖，Spatial Mixing與Channel Mixing順序執(zhí)行。SPACH的名稱則源自Mixing的處理過程：SPAtial and CHannel processing。

上圖c則給出了多階段SPACH(SPACH-MS)架構(gòu)示意圖。多階段是CNN網(wǎng)絡提升性能非常重要的機制。不同于單階段SPACH(它對輸入圖像進行大尺度下采樣后在進行處理)，它在開始階段保持高分辨率，然后逐漸下采樣。具體來說，SPACH-MS包含四個階段，下采樣比例分別為，每個階段包含個Mixing模塊。由于Transformer與MLP在高分辨率特征上的高計算量，我們在第一階段僅采用卷積；另外，階段內(nèi)部通道維度保持不變，每下采樣一次通道數(shù)加倍。

表示輸入圖像，SPACH首先通過塊嵌入層變換為(注：p表示塊尺寸，在單階段中為16，在多階段中為4)。經(jīng)過多個Mixing模塊處理后，在尾部街上分類頭進行分類。

上表給出了不同模型配置的超參信息，通過控制模塊數(shù)、通道數(shù)以及擴展比例一共設置了三個不同大小的模型：SPACH-XXS、SPACH-XS以及SPACH-S。

Mixing Block Design

Mixing模塊是SPACH架構(gòu)的關鍵成分，正如上圖所示：輸入特征首先經(jīng)過Spatial Mixing模塊處理，然后再由Channel Mixing模塊進行處理。其中：聚焦于不同位置的信息聚合，而則聚焦于通道信息融合。假設輸出為Y，我們將Mixing模塊描述如下：

不同架構(gòu)的關鍵差異在于Spatial Mixing模塊。我們采用卷積、自注意力以及MLP實現(xiàn)了三種架構(gòu)，見上圖。具體來說：

• Convolution：采用深度卷積實現(xiàn)；

• Transformer：采用自注意力+CPE實現(xiàn)；

• MLP：采用MLP+CPE實現(xiàn)。

上述三種實現(xiàn)具有不同的特性，見上表。簡要描述如下：

• 卷積結(jié)構(gòu)僅包含局部連接，因此計算高效；

• 自注意力采用了動態(tài)權(quán)值，因此模型容量更大，它同時還具有全局感受野；

• MLP同樣具有全局感受野，但沒有使用動態(tài)權(quán)值。

總而言之，上述可見屬性對于模型性能與效率有直接的影響。我們發(fā)現(xiàn)：卷積與自注意力具有互補特性，因此，很有可能將兩者混合以組合所有期望屬性。

Expirical Studies on Mixing Blocks

接下來，我們將進行一系列可控實驗比較上述三個網(wǎng)絡架構(gòu)。

Multi-stage is Superior to Single-stage

上表比較了單階段與多階段SPACH模型在ImageNet分類任務上的性能對比，從中可以看到：對于三種大小網(wǎng)絡、三種類型網(wǎng)絡架構(gòu)，多階段網(wǎng)絡均取得了比單階段網(wǎng)絡更佳的復雜度-精度均衡 。

上圖比較了圖像分類精度與參數(shù)朗、吞吐量之間的關系。從中可以看到：多階段模型總是優(yōu)于單階段模型 。

上述發(fā)現(xiàn)與近期的一些工作相一致，比如采用了多階段架構(gòu)Swin與TWins具有顯著優(yōu)于單階段架構(gòu)DeiT的性能。我們的研究同樣認為：多階段架構(gòu)可能是其性能優(yōu)異的一個重要原因。

Local Modeling is Crucial

從上面的Table3與Figure對比可以看到：卷積架構(gòu)具有與Transformer相當?shù)男阅埽欢疃染矸e僅占模型整體0.3%的參數(shù)量與0.5%的FLOPs。

為說明局部建模如何幫助提升Transformer與MLP的性能，將兩個結(jié)構(gòu)中的卷積分支（注：卷積分支即CPE分支）移除，結(jié)果見上表。從中可以看到：卷積分支僅輕微降低了吞吐量，但大幅提升了兩個模型的精度 。該實驗進一步說明了局部建模的重要性。

A Detailed Analysis of MLP

由于超多的參數(shù)量，MLP存在嚴重的過擬合問題。我們認為：過擬合是阻礙MLP取得SOTA性能的主要枷鎖 。接下來，我們將討論兩種可能緩解該問題的機制。

Multi-stage Framework  Table3中的結(jié)果已表明：多階段可以帶來性能增益，對于大的MLP模型更為突出 。比如，相比單階段方案，MLP-MS-S取得了2.6%精度提升。我們認為：性能增益主要源于多階段框架的強泛化性能。

上表給出了測試精度與訓練損失的關系圖，可以看到：當測試精度趨向于飽和時，過擬合問題出現(xiàn)。而受益于多階段架構(gòu)，MLP-MS-S模型取得了比MLP-Mixer高5.7%的精度。

Weight Sharing  我們對Spatial Mixing模塊實施權(quán)值功能共享。結(jié)果見下表，可以看到：MLP架構(gòu)引入權(quán)值共享可以得到顯著的性能提升 。上面的Figure4同樣驗證了該結(jié)論。因此，如果MLP可以緩解過擬合問題，它仍具競爭力。

Convolution and Transformer are Complementary

卷積架構(gòu)具有最佳的泛化性能，而Transformer架構(gòu)具有最大的容量，故我們認為：兩者具有互補性。

從上圖可以看到：在性能飽和前，Conv-MS具有更高的測試精度。這意味著卷積模型具有更好的泛化性能 ，卷積仍是輕量型模型的最佳選擇。

另一方面，F(xiàn)igure3與Figure5結(jié)果表明：Transformer可以取得比其他兩個結(jié)構(gòu)更高的精度?？紤]到上述結(jié)構(gòu)特性，很明顯：稀疏鏈接有助于提升泛化性能，而動態(tài)權(quán)值與全局感受野有助于提升模型容量 。

Hybrid Models

基于前述發(fā)現(xiàn)，我們構(gòu)建了基于卷積與Transformer的混合模型：以多階段卷積模型作為基線模型，采用Transformer層替換某些層 。考慮到卷積的局部建模能力與Transformer的全局建模能力?；旌夏Ｐ偷奶鎿Q層選擇如下：

• Hybrid-MS-XS：在Conv-MS-XS基礎上，將Stage3的最后10層與Stage的最后兩層替換為Transformer層。Stage1與Stage2保持不變；

• Hybrid-MS-S：在Conv-MS-S基礎上，將Stage2的最后兩層、Stage3的最后10層以及Stage的最后兩層替換為Transformer。Stage1保持不變。

為進一步釋放Hybrid模型的全部潛力，我們LV-ViT中的deep-PEL。不同于default-PEL(它采用卷積)，deep-PEL采用四個卷積，卷積核、stride以及通道數(shù)分別為。我們將該模型稱之為Hybrid-MS-*+。

上表給出了所提Hybrid模型與其他模型的性能對比，從中可以看到：

• 相比純粹的卷積或者Transformer模型，Hybrid模型具有更好的模型大小-精度均衡；

• Hybrid-MS-XS憑借28M參數(shù)量取得了82.4%top1精度，優(yōu)于44M參數(shù)量的Conv-MS-S，略低于40M參數(shù)量的Trans-MS-S；

• Hybrid-MS-S憑借63M參數(shù)量取得了83.7%top1精度，以0.8%指標優(yōu)于Trans-MS-S；

• Hybrid-MS-S+憑借63M參數(shù)量取得了83.9%top1精度，優(yōu)于SOTA方案Swin-B與CaiT-S36。

• 作者認為：Hybrid-MS-S可以作為未來架構(gòu)研究的簡單且強力的基線 。

個人反思

文章很長，內(nèi)容很多，但一字一句看下來后得出：確實如此。好文，推薦！

事實上，在這篇文章之前，也有一些研究在挖掘卷積與Transformer的融合與互補性。比如以下兩篇

• CMT: Convolutional Neural Networks Meet Vision Transformers

• Early Convolutions Help Transformers See Better

但幾乎沒有文章將三者放到同一水平線上去對比，分析各自的特性以及互補性問題。筆者在前段時間進行Transformer、MLP調(diào)研時曾想過：CV領域Transformer與MLP的成功到底是源自什么？它們與Convolution的差異在哪里？相互之間是否有可借鑒性？看完該文，之前的幾個問題也許有點答案了...