论文阅读笔记 | 分类网络——ConvMixer

---

如有错误，恳请指出。

---

paper：Patches Are All You Need
code：https://github.com/tmp-iclr/convmixer

（目前文章还处理盲审阶段）

摘要：

多年来卷积网络一直是视觉任务的主要架构，但最近的实验表明，基于Transformer的模型，尤其是vision Transformer (ViT)，在某些设置下可能会超过它们的性能。然而，为了将 Transformer 应用于图像领域，信息的表示方法必须改变：因为如果在每像素级别上应用 Transformer 中的自注意力层，它的计算成本将与每张图像的像素数成二次方扩展，所以折衷的方法是首先将图像分成多个 patch，再将这些 patch 线性嵌入 ，最后将 transformer 直接应用于此 patch 集合。

随后，作者便提出了一个问题：ViT的性能是由于固有的更强大的Transformer架构，还是因为使用patch作为输入来进行表示?

基于这个想法，作者提出了ConvMixer为后者提供了一些证据。ConvMixer类似于ViT和更基本的MLP-Mixer，它直接对作为输入的patch操作，分离空间和通道维度的混合，并在整个网络中保持相同的大小和分辨率。相比之下，ConvMixer只使用标准的卷积来实现混合步骤。

ConvMixer在类似参数计数和数据集大小的情况下优于ViT、MLP-Mixer及其一些变体，此外还优于ResNet等经典视觉模型。

1. Introduction

---

Vision Transformer架构在许多计算机视觉任务中展示了令人信服的性能，通常优于经典的卷积架构，特别是对于大型数据集。一个可以理解的假设是，Transformer成为视觉领域的主导架构只是时间问题，就像它们成为语言处理领域（NLP）的主导架构一样。

然而，为了将 Transformer 应用于图像领域，信息的表示方法必须改变：因为如果在每像素级别上应用 Transformer 中的自注意力层，它的计算成本将与每张图像的像素数成二次方扩展，所以折衷的方法是首先将图像分成多个 patch，再将这些 patch 线性嵌入 ，最后将 transformer 直接应用于此 patch 集合。

作者提出了一个探讨：Vit的强大性能可能更多的来自与基于patch的表示方法，而不是Transformer架构的本身。为此，作者开发了一个非常简单的卷积架构，命名为：ConvMixer。

ConvMixer直接在patch上操作，它在所有层中保持相同分辨率和大小的表示。其不对连续层的表示进行下采样操作，分离空间和通道维度的混合。但与Vision Transformer和MLP-Mixer不同的是，ConvMixer架构只通过标准的卷积来完成所有这些操作。

ConvMixer架构极其简单(它可以在约6行密集的PyTorch代码中实现)，但它优于一些标准的计算机视觉模型，如类似参数数的ResNets和一些相应的vision Transformer和MLP-Mixer变体。实验结果表明，patch表示本身可能会是Vision transformer这样的新架构卓越性能的最关键组件。

2. ConvMixer Model

---

ConvMixer由一个patch embedding层和一个简单的全卷积块的重复应用组成，并保持着patch embedding的空间结构。ConvMixer结构如图所示：

（整体结构一目了然，确实比较简单）

Patch size为$p$，embedding dimension为$h$的Patch embeddings操作，可以通过input channels为$c_{in}$，output channels为$h$，kernel size为$p$， stride为$p$的卷积操作实现，数学表示为：
$$z_0=BN(\sigma \{Con{v}_{c_{in}\to h}(X,stride=p,kerne{l}_{s}ize=p)\})\text{\hspace{1em}(1)}$$
ConvMixer block中包含了 depthwise卷积，这个是在MobileNet中提出来的，相关内容可以查看文章：轻量级网络——MobileNetV1中的相关内容。其实也就是分组卷积（这里分组为h）+ 1x1卷积的联合操作。

对于深度卷积，convmixer在异常大的内核尺寸下工作得最好。每个卷积之后都有一个激活和激活后的BatchNorm。数学表示为：
$$\begin{array}{rl}{z}_l^{\prime }& =BN(\sigma \{ConvDepthwise(z_{l-1})\})+z_{l-1}\\ z_{l+1}& =BN(\sigma \{ConvPointwise(z_l^{\prime })\})\end{array}\text{\hspace{1em}(2)}$$
应用多次convmixer layer之后，执行全局池化操作以得到一个size为$h$的特征向量，并将其传递给softmax分类器。（也就是将h个patch变成了一个h维的特征向量，再进行全连接分类）

• 维度变化过程：

现在以一个3x224x224图像处理为例，设置p为7也就是设置patch_size大小为7，所以会得到32x32个patch，每个patch多携带的信息维度channels为h（设置dim=512，既h=512），那么经过了Patch Embedding卷积操作后会有3x224x224变成512x32x32的大小（在Patch Embedding这一步中，kernel_size = stride = patch_size = 7）。通过了Patch Embedding之后，就是堆叠一系列的DW+PW卷积（这里的kernel_size会认为设置得大一点，来混合较远的空间位置），这些步骤中的channels是保持不变的，最后32x32会被池化为1x1，也就是512x1x1再通过一个全连接进行分类，得到最后的结果。

• 设计参数：ConvMixer 的实例化取决于四个参数：
  （1）宽度或隐藏维度 h（即 patch 嵌入的维度）
  （2）深度 d，或 ConvMixer 层的重复次数
  （3）控制模型内部分辨率的 patch 大小 p
  （4）深度卷积层的内核大小 k

研究者根据它们的隐藏维度和深度命名 ConvMixers，如 ConvMixer-h/d。他们将原始输入大小 n 除以 patch 大小 p 作为内部分辨率，所以一个patch的shape为$(h\times \frac{n}{p}\times \frac{n}{p})$；但是请注意，ConvMixers 支持可变大小的输入。

• 动机：ConvMixer 架构基于混合思想

该研究选择了 depthwise 卷积来混合空间位置，选择 pointwise 卷积来混合通道位置。先前工作的一个关键思想是 MLP 和自注意力可以混合较远的空间位置，即它们可以具有任意大的感受野。因此，该研究使用较大的内核卷积来混合较远的空间位置。

• pytorch代码实现

代码可以所是比较简单了

import torch.nn as nn
import torch

class Residual(nn.Module):
    def __init__(self, fn):
        super().__init__()
        self.fn = fn

    def forward(self, x):
        return self.fn(x) + x


def ConvMixer(dim, depth, kernel_size=9, patch_size=7, n_classes=1000):
    return nn.Sequential(
        nn.Conv2d(3, dim, kernel_size=patch_size, stride=patch_size),
        nn.GELU(),
        nn.BatchNorm2d(dim),
        *[nn.Sequential(
            Residual(nn.Sequential(
                nn.Conv2d(dim, dim, kernel_size, groups=dim, padding="same"),
                nn.GELU(),
                nn.BatchNorm2d(dim)
            )),
            nn.Conv2d(dim, dim, kernel_size=1),
            nn.GELU(),
            nn.BatchNorm2d(dim)
        ) for i in range(depth)],
        nn.AdaptiveAvgPool2d((1, 1)),
        nn.Flatten(),
        nn.Linear(dim, n_classes)
    )

另外一个更加简化的版本为：

def ConvMixr(h,d,k,p,n):
	S,C,A=Sequential,Conv2d,lambdax:S(x,GELU(),BatchNorm2d(h))
	R=type('',(S,),{
     'forward':lambdas,x:s[0](x)+x})
	return S(A(C(3,h,p,p)),*[S(R(A(C(h,h,k,groups=h,padding=k//2))),A(C(h,h,1))) for i
		in range(d)],AdaptiveAvgPool2d((1,1)),Flatten(),Linear(h,n))

3. Result

---

• 与DeiT与ResMLP的比较：
  
• 与其他模型的比较（全面）：
  
  ConvMixers 的推理速度较竞品模型慢得多，这可能因为它们的 patch 更小。超参数调整和优化可以缩小这一差距。从图中也可以看见一个大Kernel_Size卷积操作所带来的效果提升。

小结：

作者提出了ConvMixer，仅仅使用标准卷积就能独立地混合patch embeddings的空间和通道位置。尽管达不到SOTA，但是优于Vision Transformer和MLPMixer，并可以与ResNets、DeiTs和ResMLPs竞争。

实验证明，越来越常见的“各向同性”架构与一个简单的Patch embeddings就可以构建出一个强大的网络结构。Patch embeddings允许所有的下采样同时发生，立即降低了内部分辨率，从而增加了有效的感受野大小，使其更容易混合遥远的空间信息。

标题主要想表达的意思是，attention并不是全部，token与Patch embeddings同样是一个重要的因素。

作者认为，经过更长的训练和更多的正则化和超参数调优，带有更大patch的更深层次的ConvMixer可以在精度、参数和吞吐量之间达成理想的折衷。大核深度卷积的低级优化可以大幅提高吞吐量。类似地，对体系结构进行小的改进，如添加bottlenecks或更具有表达能力的分类器，可以以简单换取性能。

整片文章主要内容只有4页，最后的结尾作者还补充了一点：

总结：

作者提出了Patch可能是Vit结构中另外一个比较重要的因素，而不仅仅是attention。通过搭建了一个比较简单的模型结构ConvMixer，结合了Patch Embedding同样可以与诸多先进模型比较，说明Patch在网络结构的重要性。