无处不在,搜你所想

本文介绍一篇关于动态Transformer的最新工作：Not All Images are Worth 16x16 Words: Dynamic Vision Transformers with Adaptive Sequence Length https://arxiv.org/abs/2105.15075，推理代码和部分预训练模型已经在Github上开源：https://github.com/blackfeather-wang/Dynamic-Vision-Transformer。

太长不看版：以ViT为代表的视觉Transformer通常将所有输入图像表征为固定数目的tokens（例如16x16）。这项工作发现采用定长的token序列表征数据集中所有的图像是一种低效且次优的做法，并提出一种可针对每个样本自适应地使用最合适的token数目进行表征的动态ViT模型。该方法在ImageNet上将T2T-ViT的平均推理速度（GPU实测）加快了1.4-1.7倍。其主要思想在于利用级联的ViT模型自动区分“简单”与“困难”样本，实现自适应的样本推理。为了减少级联模型中的冗余计算，文章还提出了特征重用与关系重用的模型设计思路。

图1 Dynamic Vision Transformer（DVT）示例

一．Introduction（研究动机及简介）

近半年来，以Google的工作《An Image is Worth 16x16 Words: Transformers for Image Recognition at Scale》为代表的Vision Transformer（ViT）系列视觉模型受到了学界的广泛关注，这些模型通常将图像数据划分为固定数目的patch，并将每个patch对应的像素值采用线性映射等方式嵌入为一维的token，作为Transformer模型的输入，示意图如下所示。

图2 Vision Transformer（ViT）对输入的表征方式

假设模型结构固定，即每个token的维度大小固定，将输入表征为更多的token可以实现对图片更为细粒度的建模，往往可以有效提升模型的测试准确率；然而与此相对，由于Transformer的计算开销随token数目成二次方增长，增多token将导致大量增长的计算开销。为了在精度和效率之间取得一个合适的平衡，现有的ViT模型一般将token数设置为14x14或16x16。

而论文则提出，一个更合适的方法应当是，根据每个输入的具体特征，对每张图片设置对其最合适的token数目。具体而言，不同图片在内容、远近、物体大小、背景、光照等诸多方面均存在较大的差异，将其切分为相同数目和大小的patch没有考虑适应这些要素的变化，因而极有可能是次优的。以下图为例，左侧的苹果图片构图简单且物体尺寸较大，右侧图片则包含复杂的人群、建筑、草坪等内容且物体尺寸均较小。显然，前者只需要少量token就可以有效表征其内容，后者则需要更多的token描述不同构图要素之间的复杂关系。

图3 根据具体输入确定token数目

这一问题对于网络的推理效率是非常关键的。在下表中，文章使用比原文推荐值（14x14）更少的token数目训练了一个T2T-ViT-12模型，并报告了对应的测试精度和计算开销。从结果中可以看到，若将token数目设置为4x4，准确率仅仅下降了15.9%（76.7% v.s. 60.8%），但计算开销下降了8.5倍（1.78G v.s. 0.21G）。这一结果表明，正确识别占数据大多数的较“简单”的样本只需4x4或更少的token，相当多的计算浪费在了使用存在大量冗余的14x14 token表征他们。

表1 T2T-ViT-12使用更少token时的测试精度和计算开销

二．Method（方法详述）

受到上述现象的启发，论文提出了一个动态视觉Transformer框架（Dynamic Vision Transformer，DVT），意在针对每个样本选择一个合适数目的token来进行表征。

首先介绍DVT的推理过程，如图2所示。论文使用从小到大的token数目训练了一组Transformer模型，他们具有相同的基本结构，但是参数相互独立，以分别适应逐渐增多的token数目。对于任意测试样本，首先将其粗略表征为最小数目的token，输入第一个Transformer，以低计算成本迅速得到初步预测。而后判断预测结果是否可信，若可信，则直接输出当前结果并终止推理；若不可信，则将输入图片表征为更多的token，激活下一个Transformer进行更细粒度、但计算开销更大的的推理，得到结果之后再次判断是否可信，以此类推。论文采用将预测的置信度（confidence）与一个固定阈值进行比较的方式作为准出的判断准则，关于这一方法的细节和其合理性的验证，由于空间有限，请参见paper。

值得注意的是，处于下游的Transformer可以复用先前模型已产生的深度特征和注意力图（attention maps），以尽可能避免进行冗余和重复的计算，关于这一点，将在下文详述。

图4 Dynamic Vision Transformer（DVT）

在训练时，论文简单地训练网络在所有出口都取得正确的预测结果，训练目标如下式所示。其中  和  分别代表数据和标签，  代表第  个出口的softmax预测概率，  代表交叉熵损失。

显然，DVT框架中所有的Transformer都具有相同的训练目标。因此当一个处于下游位置的Transformer被激活时，一个显然更为高效的做法是，应当训练其在先前Transformer已提取的特征的基础上进行进一步提升，而非完全从0开始重新提取特征。出于这一点考虑，论文提出了一个特征复用机制，如下图所示。将上游Transformer最后一层输出的特征取出，经MLP变换和上采样（Upsample）后，作为上下文嵌入（Context Embedding）以Concat的方式整合入下游模型每一层的MLP模块中。

图5 特征复用（Feature Reuse）机制

除特征外，Transformer中还有一个关键的组分，即自注意力机制中的注意力图（attention maps）。视觉Transformer通过这些注意力图建模token之间的关系，从而实现对每个具体的token进行来自全局的信息整合。在论文所提出的DVT框架中，位于下游的模型同样可以借助上游Transformer已经得到的注意力图来进行更准确的全局注意力关系建模，论文称之为关系复用，示意图如下所示。将上游模型的全部注意力图以logits的形式进行整合，经MLP变换和上采样后，加入到下层每个注意力图的logits中。这样，下游模型每一层的attention模块都可灵活复用上游模型不同深度的全部attention信息，且这一复用信息的“强度”可以通过改变MLP的参数自动地调整。

图6 关系复用（Relationship Reuse）机制

值得注意的是，对特征图进行上采样需要对其行或列进行重组后分别完成，以确保其几何关系的对应性，下图给出了一个例子。

图7 对注意力图进行上采样

由于空间有限，关于DVT的更多细节以及对两种复用机制有效性的验证、结构设计的探究和更进一步的讨论，请参见paper。

三．Experiments（实验结果）

DVT的一个显著优势在于，大多数的视觉Transformer均可作为其的backbone以获得更高的计算效率，在实验中，论文基于T2T-ViT和DeiT测试了所提出的的方法。

DVT（T2T-ViT-12/14）在ImageNet图像识别任务上的计算效率如下，可见该方法对backbone的提速比在1.6-3.6x，对大模型效果尤为明显。

图8 DVT（T2T-ViT）在ImageNet上的计算效率

DVT（T2T-ViT-14）在ImageNet上的实际推理速度如下，基于Nvidia 2080Ti GPU，batch size=128，在每个出口移除终止推理的样本。对于小模型，DVT可以在不减慢速度的前提下显著提升效果；对于大模型，DVT可以在不降低表现的前提下显著提速。

表2 DVT（T2T-ViT）在ImageNet上的实际速度

DVT（T2T-ViT-12/14）在CIFAR图像识别任务上的计算效率如下。

表3 DVT（T2T-ViT）在CIFAR上的计算效率

DVT（DeiT）在ImageNet图像识别任务上的计算效率如下，该方法效果同样明显。

图9 DVT（DeiT）在ImageNet上的计算效率

那么，什么样的样本适合更少的token，什么样的样本适合更多的token呢？下图给出了可视化的结果，“easy”和“hard”分别代表需要少和多的token数目。可见，后者往往包含复杂的场景、较小的物体尺寸、以及一些非常规的姿态和角度。

图10 可视化结果

四．Conclusion（结语）

这篇工作的价值至少体现在两个方面：

（1）针对视觉Transformer提出了一个自然、通用、有效的自适应推理框架，理论和实际效果都比较显著。

（2）提出了一个颇具启发性的思路，即目前大多数视觉Transformer采用的、对全部图片以固定方式划分patch的表征方式，是不够灵活和次优的，一个更合理的策略是，应当根据输入数据动态调整表征方式。这或为开发高效、可解释性强、迁移性好的通用视觉Transformer提供了新方向。