ConvMixer：Patches Are All You Need

Patches Are All You Need

发表时间：[Submitted on 24 Jan 2022]；

发表期刊/会议：Computer Vision and Pattern Recognition；

论文地址：https://arxiv.org/abs/2201.09792；

代码地址：https://github.com/locuslab/convmixer；

0 摘要

尽管CNN多年以来一直是计算机视觉任务的主要架构，但最近的一些工作表明，基于Transformer的模型，尤其是ViT，在某些情况下会超越CNN的性能(尤其是后来的swin transformer，完全超越CNN， 里程碑)；

然而，因为Transformer的self-attention运行时间为二次的/平方的($O(n^2)$)，ViT使用patch embedding，将图像的小区域组合成单个输入特征，以便应用于更大的图像尺寸。

这就引出一个问题: ViT的性能是由于Transformer本身就足够强大，还是因为输入是patch？

本文为后者提供了一些证据；

本文提出一种非常简单的模型：ConvMixer，思想类似于MLP-Mixer；

• MLP-Mixer直接在作为输入的patch上操作，分离空间和通道维度的混合信息，并在整个网络中保持相同的大小和分辨率。

• ConvMixer只使用标准卷积来实现混合步骤。

尽管它很简单，但本文表明ConvMixer在类似的参数计数和数据集大小方面优于ViT、MLP-Mixer和它们的一些变体，此外还优于经典视觉模型(如ResNet)。

1 简介

本文探索一个问题：ViT的性能强大是因为Transformer结构本身，还是更多的来源于这种patch的表征形式？

本文提出一个非常简单的卷积架构，我们称之为“ConvMixer”，因为它与最近提出的MLP-Mixer相似(Tolstikhin et al, 2021)。

ConvMixer的许多方面都和ViT或MLP-Mixer类似：

• 直接对patch进行操作；
• 在所有层中保持相同的分辨率和大小表示(feature map不降维、没有下采样)；
• 不会对连续层的表示进行下采样；
• 将信息的“通道混合”与“空间混合”分开(depthwise 和 pointwise conv)；

不同之处：

• ConvMixer只通过标准卷积来完成所有这些操作；

结论：patch的表征形式很重要；

2 ConvMixer模型

2.0 模型概述

如图2所示：

• 输入图像大小为$c\times n\times n$，c-通道，n-宽度/高度；
• patch大小为$p$，进行patch embedding后，个数为$n/p\times n/p$，一个嵌入成h维的向量，得到向量块(也可以叫feature map) $h\times (n/p)\times (n/p)$；
  • 这个patch embedding不同于Transformer的patch embedding；
  • 这一步相当于用一个输入通道为$c$，输出通道为$h$，卷积核大小=patch_size， stride = patch_size的卷积核去卷出的feature map；
• 将这个feature map进行GeLU激活和BN，输入进ConvMixer Layer中；
• ConvMixer层由深度卷积depthwise conv和逐点卷积pointwise conv和残差连接组成，每一个卷积之后都会有GeLU激活和BN；
  • depthwise conv: 将$h$个通道各自进行卷积=>空间混合；
  • pointwise conv：1×1的卷积，对通道之间混合；
• ConvMixer层会循环depth次；
• 最后接入分类头；

图2：ConvMixer概述

Pytorch实现：

class ConvMixerLayer(nn.Module):
    def __init__(self,dim,kernel_size = 9):
        super().__init__()
        #残差结构
        self.Resnet =  nn.Sequential(
            nn.Conv2d(dim,dim,kernel_size=kernel_size,groups=dim,padding='same'),
            nn.GELU(),
            nn.BatchNorm2d(dim)
        )
        #逐点卷积
        self.Conv_1x1 = nn.Sequential(
            nn.Conv2d(dim,dim,kernel_size=1),
            nn.GELU(),
            nn.BatchNorm2d(dim)
        )
    def forward(self,x):
        x = x +self.Resnet(x)
        x = self.Conv_1x1(x)
        return x

class ConvMixer(nn.Module):
    def __init__(self,dim,depth,kernel_size=9, patch_size=7, n_classes=1000):
        super().__init__()
        self.conv2d1 = nn.Sequential(
            nn.Conv2d(3,dim,kernel_size=patch_size,stride=patch_size),
            nn.GELU(),
            nn.BatchNorm2d(dim)
        )
        self.ConvMixer_blocks =nn.ModuleList([])

        for _ in range(depth):
            self.ConvMixer_blocks.append(ConvMixerLayer(dim=dim,kernel_size=kernel_size))

        self.head =  nn.Sequential(
            nn.AdaptiveAvgPool2d((1,1)),
            nn.Flatten(),
            nn.Linear(dim,n_classes)
        )
    def forward(self,x):
    	#编码时的卷积
        x = self.conv2d1(x)
		#多层ConvMixer_block  的计算
        for ConvMixer_block in  self.ConvMixer_blocks:
             x = ConvMixer_block(x)
        #分类输出
        x = self.head(x)

        return x


model = ConvMixer(dim=128,depth=2)
print(model)

ConvMixer(
  (conv2d1): Sequential(
    (0): Conv2d(3, 128, kernel_size=(7, 7), stride=(7, 7))
    (1): GELU()
    (2): BatchNorm2d(128, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True)
  )
  (ConvMixer_blocks): ModuleList(
    (0): ConvMixerLayer(
      (Resnet): Sequential(
        (0): Conv2d(128, 128, kernel_size=(9, 9), stride=(1, 1), padding=same, groups=128)
        (1): GELU()
        (2): BatchNorm2d(128, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True)
      )
      (Conv_1x1): Sequential(
        (0): Conv2d(128, 128, kernel_size=(1, 1), stride=(1, 1))
        (1): GELU()
        (2): BatchNorm2d(128, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True)
      )
    )
    (1): ConvMixerLayer(
      (Resnet): Sequential(
        (0): Conv2d(128, 128, kernel_size=(9, 9), stride=(1, 1), padding=same, groups=128)
        (1): GELU()
        (2): BatchNorm2d(128, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True)
      )
      (Conv_1x1): Sequential(
        (0): Conv2d(128, 128, kernel_size=(1, 1), stride=(1, 1))
        (1): GELU()
        (2): BatchNorm2d(128, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True)
      )
    )
  )
  (head): Sequential(
    (0): AdaptiveAvgPool2d(output_size=(1, 1))
    (1): Flatten(start_dim=1, end_dim=-1)
    (2): Linear(in_features=128, out_features=1000, bias=True)
  )
)

2.1 参数设计

ConvMixer的实例化依赖于四个参数:

• the “width” or hidden dimension： $h$ (patch embedding的维度)；
• ConvMixer层的循环次数：$depth$；
• 控制模型内部分辨率的patch size: $p$；
• 深度卷积层的核大小：$k$；

其他ConvMixer模型的命名规则：ConvMixer-h/d；

2.2 动机

本文的架构是基于混合的想法；特别地，我们选择了深度卷积dw来混合空间位置和点卷积来pw混合通道位置。

以前工作的一个关键观点是，MLP和自我注意可以混合远的空间位置，也就是说，它们可以有任意大的接受域。因此，我们使用大核卷积来混合遥远的空间位置。

虽然自我注意和MLP理论上更灵活，允许大的接受域和内容感知行为，但卷积的归纳偏差非常适合视觉任务。通过使用这样的标准操作，我们也可以看到与传统的金字塔形、逐步下采样的卷积网络设计相比，patch表示本身的效果。

3 实验

3.1 训练设置

主要在ImageNet-1k分类上评估ConvMixers，没有任何预训练或其他数据；

将ConvMixer添加到timm框架，并使用接近标准的设置对其进行训练: 除了默认的timm增强外，我们还使用RandAugment、mixup、CutMix、随机擦除和梯度范数裁剪。使用AdamW优化器；

由于计算量有限，我们绝对没有在ImageNet上进行超参数调优，并且训练的epoch比竞争对手少。

因此，我们的模型可能过度正则化或不正则化，我们报告的准确性可能低估了我们模型的能力。

3.2 实验结果

• 精度：在ImageNet上，参数为52M的ConvMixer-1536/20可以达到81.4%的top-1精度，参数为21M的ConvMixer-768/32可以达到80.2%的top-1精度；
• 宽度：更宽的ConvMixer似乎收敛更快，但需要大量内存和计算；
• 内核大小：当将内核大小从k = 9减小到k = 3时，ConvMixer-1536/20的精度下降了≈1%；
• patch大小：较小patch的ConvMixers基本上更好，更大的patch可能需要更深的ConvMixers；除了将patch大小从7增加到14，其他都保持不变，ConvMixer-1536/20达到了78.9%的top-1精度，但速度快了大约4倍；
• 激活函数：用ReLU训练了一个模型，证明在最近的各向同性模型中流行的GELU是不必要的。

3.3 比较

将ConvMixer模型与ResNet/DeiT/ResMLP比较，结果如表1、图1所示；

• 同等参数量，ConvMixer-1536/20的性能优于ResNet-152和ResMLP-B24；
• ConvMixers在推理方面比竞争对手慢得多，可能是由于它们的patch尺寸更小; 超参数调优和优化可以缩小这一差距。有关更多讨论和比较，请参见表2和附录A。

4 相关工作