共计 1334 个字符，预计需要花费 4 分钟才能阅读完成。
摘要： 针对 ViT 现状，剖析 ViT 尚存问题和绝对应的解决方案，和相干论文 idea 汇总。
本文分享自华为云社区《【ViT】目前 Vision Transformer 遇到的问题和克服办法的相干论文汇总》，作者：苏道。
首先来看 ViT 始祖级论文：
An image is worth 16×16 words: Transformers for image recognition at scale
论文地址：https://arxiv.org/abs/2010.11929
他应用全 Transformer 构造，将图像区域划分为一个个小方块作为 Patch 作为输出。左图是 ViT 的总体架构，左边是 Transformer Encoder 中每个 Block 的形状。咱们能够看到，他根本就是原始 Transformer 的构造，除了他把 norm 放在后面，有文章表明 norm 放在后面更加容易训练一点。
应用 Transformer 能够在每一层都失去图片的全局信息，然而他也不是美中不足的，他有以下的这些毛病：
1、数据需求量大： Self-Attention 演绎偏置能力较 CNN 弱。演绎偏置怎么说呢，就是模型对没遇到的数据做的一些假如，CNN 具备空间不变性的假如，所以他能够用一个权重去滑窗解决整个特色图，而 RNN 具备工夫不变性的假如。然而 Self-Attetnion 没有这些假如，所以他须要更多的数据去主动学习到这些假如，然而这样有一个益处就是可能学到的假设会更灵便一些。
那针对这个问题，咱们能够应用一个 CNN 网络作为 Teacher 网络，增加蒸馏损失去帮忙他学习。
Patch Embedding 实质是一个卷积核与滑动步长都为 Patch size 的大卷积和，想 Vit 为 16 的卷积核，那必定是不够稳固的，所以起初的一些研究会应用几个卷积与池化相结合或者罗唆前几个 block 是残差块的形式来代替。
2、计算量大： 计算复杂度与 token 的平方相干，如果输出特色图为 56*56 的特色图，那么会波及 3000+ 长宽的矩阵运算，计算量很大，同时在原始 Transformer 计算过程中 token 数以及 hidden size 放弃不变，所以起初的研究者采纳了几个办法是解决计算量大的问题。参考 resnet 构造应用金字塔的构造，越高层的 token 数量越少；应用部分窗口 sa，别离思考特色图的一部分做 sa，再想方法把这些部分信息进行交互；应用卷积来代替 fc，以缩小参数；在生成 Q，K，V 过程中，对 K，V 的特色图或者是 token 做池化，缩小计算复杂度。
3、重叠层数数量受限： 存在适度平滑问题，不同的 Block 之间的相似性随着模型的加深而减少；不同 token 之间的相似性随着随着模型的加深而减少。解决办法次要是增大 hidden size，不过这个办法参数增加量也会很大；在注意力图 softmex 前后，在 head 维度进行线性变换以减少信息交互，减少注意力图的多样性；在深层 dropout 增大以减少特色的多样性；或者减少类似度惩办损失项。
4、模型自身无奈编码地位： 那就须要各种各样的地位编码，以下列出了一些地位编码，有固定的与可学习的，有相对的和绝对的，还有利用卷积的个性应用卷积去作为地位编码的。
具体可见下表
上述改良点相干论文大家能够查下表：
点击关注，第一工夫理解华为云陈腐技术~
