刷新ImageNet最高分！谷歌大脑华人研究员发布超强Transformer

客官°小女子只卖身不卖艺 2022-10-11 12:08 191阅读 0赞

[![ea00c9cc238c3d58e029741f98e51ae1.png][]][ea00c9cc238c3d58e029741f98e51ae1.png 1]

近日，谷歌大脑团队公布了Vision Transformer（ViT）进阶版ViT-G/14，参数高达20亿的CV模型，经过30亿张图片的训练，刷新了ImageNet上最高准确率记录——90.45%，此前的ViT取得的最高准确率记录是 88.36%，不仅如此，ViT-G/14还超过之前谷歌提出的Meta Pseduo Labels模型。

![刷新ImageNet最高分！谷歌大脑华人研究员发布最强Transformer][ImageNet_Transformer]

### Vision Transformer模型的缩放规律 ###

在多项基准测试中，ImageNet, ImageNet-v2和VTAB-1k，ViT-G/14的表现都刷新了记录。

例如，在几张照片的识别挑战中，准确率提高了五个百分点以上。研究人员随后训练了多个更微型的模型版本，以寻找架构的缩放规律（scaling law），结果观察到性能遵循幂律函数（power-law function），类似于用于NLP的Transformer模型。

2017年由谷歌首次引入的 Transformer 架构迅速成为最受欢迎的NLP深度学习模型设计，其中 OpenAI的GPT-3是最著名的。OpenAI 去年发布的一项研究描述了这些模型的缩放规则（Scaling rules）。

OpenAI 通过训练几个不同规模的可比模型，改变训练数据的数量和处理能力，开发了一个用于评估模型准确性的幂律函数。此外，OpenAI 发现更大的模型不仅性能更好，而且计算效率也更高。

与 NLP 模型不同，大多数SOTA的 CV 深度学习模型，采用的是卷积神经网络架构(CNN)。2012年， 一个CNN模型赢得了ImageNet竞赛，CNN因此声名鹊起。

随着Transformer最近在 NLP 领域的成功，研究人员已经开始关注它在视觉问题上的表现; 例如，OpenAI 已经构建了一个基于 GPT-3的图像生成系统。

谷歌在这个领域一直非常活跃，在2020年年底使用他们专有的 JFT-300M 数据集训练了一个600m 参数的 ViT 模型。

![刷新ImageNet最高分！谷歌大脑华人研究员发布最强Transformer][ImageNet_Transformer 1]

△ 去年10月，谷歌大脑团队发布了Vision Transformer（ViT）

而新的ViT-G/14模型使用 JFT-3B 预先训练，JFT-3B是升级版数据集，包含大约30亿张图片。

![刷新ImageNet最高分！谷歌大脑华人研究员发布最强Transformer][ImageNet_Transformer 2]

研究团队改进了 ViT 架构，增加了内存使用，使模型能够适应单个 TPUv3核心。研究人员在预先训练的模型上使用少量和微调的迁移学习来评估 ViT-G/14和其他较小模型的性能。这些发现被用来创建缩放规则，类似于 NLP 规则:

根据幂律函数，缩放更多的计算、模型和数据可以提高准确性；

在较小的模型中，准确性可能是一个障碍；

大型数据集有助于大型模型。

目前，ViT-G/14得分在 ImageNet 排行榜上排名第一。下面的八个得分最高的模型同样是由谷歌的研究人员创建的，而第十个模型来自Facebook。

### 作者团队 ###

![刷新ImageNet最高分！谷歌大脑华人研究员发布最强Transformer][ImageNet_Transformer 3]

本次论文团队成员是此前发布ViT模型的4名成员，其中，第一作者是Xiaohua Zhai (翟晓华)。

![刷新ImageNet最高分！谷歌大脑华人研究员发布最强Transformer][ImageNet_Transformer 4]

https://sites.google.com/site/xzhai89/home

翟晓华目前是谷歌大脑研究员。研究领域为深度学习和计算机视觉。兴趣范围包括表征学习、迁移学习、自监督学习、生成模型、跨模态感知。

根据他的个人网站提供的信息，2009年，翟晓华本科毕业于南京大学，2014年取得北京大学计算机科学博士学位。

另外，论文作者Alexander Kolesnikov，同为谷歌大脑研究员，研究领域包括人工智能、机器学习、深度学习和计算机视觉。

毕业于奥地利Institute of Science and Technology Austria (IST Austria)，博士论文为Weakly-Supervised Segmentation and Unsupervised Modeling of Natural Images（自然图像的弱监督分割和无监督建模）。

![刷新ImageNet最高分！谷歌大脑华人研究员发布最强Transformer][ImageNet_Transformer 5]

另一名作者Neil Houlsby，研究领域为机器学习、人工智能、计算机视觉和自然语言处理。

![刷新ImageNet最高分！谷歌大脑华人研究员发布最强Transformer][ImageNet_Transformer 6]

第四名作者Lucas Beyer，是一名自学成才的黑客、研究科学家，致力于帮助机器人了解世界、帮助人类了解深度学习。

[ea00c9cc238c3d58e029741f98e51ae1.png]: /images/20221005/38e6daad867e4fdb9b599f522de10df1.png
[ea00c9cc238c3d58e029741f98e51ae1.png 1]: https://s6.51cto.com/oss/202106/29/b736455d8fc150077324f57cd1ce83c6.png?x-oss-process=image/format,jpg,image/resize,w_651
[ImageNet_Transformer]: /images/20221005/4bf1efa539a44a75a67981747a7ecff0.png
[ImageNet_Transformer 1]: /images/20221005/441471e03a4a4b4c9d1f44bc15fcc2c7.png
[ImageNet_Transformer 2]: /images/20221005/41466fe57e924286b01dbf5c0a605db2.png
[ImageNet_Transformer 3]: /images/20221005/5d7664fc502c42bbbe24b0ff1c4db63f.png
[ImageNet_Transformer 4]: /images/20221005/d44fee4622a04c30ac000992e9106eb5.png
[ImageNet_Transformer 5]: /images/20221005/1fd3eed31c364f1b8546a45cb176a037.png
[ImageNet_Transformer 6]: /images/20221005/f0d38025f35c41ba9fa83b0eba78716a.png