共计 2132 个字符，预计需要花费 6 分钟才能阅读完成。
咱们都晓得 Transformers 绝对于 CNN 的架构效率并不高，这导致在一些边缘设施进行推理时提早会很高，所以这次介绍的论文 EfficientFormer 号称在准确率不升高的同时能够达到 MobileNet 的推理速度。
Transformers 是否在取得高性能的同时，跑得和 MobileNet 一样快? 为了答复这个问题，作者首先回顾了基于 vit 的模型中应用的网络架构和运算，并阐明了一些低效的设计。而后引入一个维度统一的纯 Transformer(没有 MobileNet 块)作为设计范例。最初以提早为指标进行优化设计，取得一系列称为 EfficientFormer 的最终模型。最初还设计了 EfficientFormerV2。
提早剖析
作者在论文中发现:
1、内核大、步幅大的补丁嵌入是挪动设施上的速度瓶颈。
2、统一的特色维度对于令牌混合器的抉择很重要。MHSA 不肯定是速度瓶颈。
3、convn – bn 比 LN (GN)-Linear 更有利于提早，对于提早的升高，精度的小损失是能够承受的。
4、非线性的提早取决于硬件和编译器。
EfficientFormer 整体架构
该网络由补丁嵌入 (PatchEmbed) 和元 Transformer 块堆栈组成，示意为 MB:
X0 为批大小为 B，空间大小为 [H, W] 的输出图像，Y 为冀望输入，m 为块总数 (深度)。MB 由未指定的令牌混合器(TokenMixer) 组成，后跟一个 MLP 块:
Xi|i>0 是第 i MB 的两头特色。阶段 Stage(或 S)被定义为几个 MetaBlocks 的堆栈。该网络包含 4 个阶段。在每个阶段中，都有一个嵌入操作来投影嵌入维数和下采样令牌长度，示意为嵌入，如上图所示。
也就是说 effentformer 是一个齐全基于 transformer 的模型，没有集成 MobileNet 构造。
Dimension-Consistent 设计
网络从四维划分开始，前期进行三维划分。首先，输出图像由 stem 层进行解决，这是两个 3 × 3，步幅为 2 的卷积作为 patch 嵌入:
其中 Cj 是第 j 级的通道号(宽度)。而后网络从 MB4D 开始，应用简略的 Pool mixer 提取低级特色:
式中，ConvB,G 示意是否有 BN 和 GeLU 追随卷积。在解决完所有 MB4D 块后，执行一次重塑以转换特色大小并进入 3D 分区。MB3D 应用传统的 ViT:
式中，LinearG 示意线性后接 GeLU, MHSA 为:
其中，Q, K, V 别离示意查问，键和值，b 是参数化的作为地位编码的注意力偏差。
在定义了总体体系结构之后，下一步作者就开始搜寻高效的体系结构。
以提早为指标架构优化
定义了一个搜寻高效模型的超级网络 MetaPath (MP)，它是一些可能块的汇合:
其中 I 示意单位门路。
在网络的 S1 和 S2 中，每个区块能够抉择 MB4D 或 I，在 S3 和 S4 中，每个区块能够抉择 MB3D、MB4D 或 I。
在最初两个阶段只启用 MB3D 的起因有 2 个：1、因为 MHSA 的计算绝对于令牌长度呈二次增长，因而在晚期阶段将其集成将大大增加计算成本。2、网络的晚期阶段捕捉低级特色，而前期阶段学习长期依赖关系。
搜寻空间包含 Cj(每个 Stage 的宽度)，Nj(每个 Stage 的块数，即深度)和最初 N 个利用 MB3D 的块。
搜索算法应用 Gumbel Softmax 采样对超级网络进行训练，以取得每个 MP 内块的重要性得分:
其中 α 评估 MP 中每个块的重要性，因为它示意抉择一个块的概率。ε ~ U(0,1)保障摸索。对于 S1 和 S2, n∈{4D, I}，对于 S3 和 S4, n∈{4D, 3D, I}。
最初通过收集不同宽度的 MB4D 和 MB3D 的设施上提早(16 的倍数)，构建一个提早查找表。
也就是说 EfficientFormer 的架构不是通过人工设计的，而是通过 NAS（Neural Architecture Search）搜寻进去的。作者通过查找表计算每个动作产生的提早，并评估每个动作的准确率降落。依据每提早精度降落 (-%/ms) 抉择动作。这个过程迭代地执行，直到达到目标提早。(细节见论文附录)
后果展现
ImageNet 上与宽泛应用的基于 cnn 的模型相比，EfficientFormer 在准确率和提早之间实现了更好的衡量。
传统的 vit 在提早方面依然体现不佳。EfficientFormer-L3 的 top- 1 准确率比 PoolFormer-S36 高 1%，在 Nvidia A100 GPU 上快 3 倍，在 iPhone NPU 上快 2.2 倍，在 iPhone CPU 上快 6.8 倍。
EfficientFormer-L1 的 Top1 精度比 MobileViT-XS 高 4.4%，并且在不同的硬件和编译器上运行得更快。
MS COCO 数据集，EfficientFormers 的体现始终优于 CNN (ResNet)和 Transformer (PoolFormer)。
应用 ADE20K，在相似的计算估算下，EfficientFormer 始终比基于 CNN 和 transformer 的骨干性能好得多。
论文地址：
EfficientFormer: Vision Transformers at MobileNet Speed
https://avoid.overfit.cn/post/eb0e56c5753942cf8ee70d78e2cd7db7