注意力可以使MLP完全替代CNN嗎？未來有哪些研究方向？

以下文章來源于深度學(xué)習(xí)技術(shù)前沿 ，作者murufeng

論文鏈接：https://arxiv.org/abs/2105.15078

[ 導(dǎo)讀 ]本文主要介紹清華大學(xué)胡事民團(tuán)隊(duì)最新發(fā)表在Arxiv上的研究論文，主要針對(duì)注意力可以使得MLP架構(gòu)追趕甚至替代CNN嗎？以及未來又有哪些研究方向可以做呢？這兩個(gè)問題給出了一些回答和展望。

在2021年5月份，谷歌，清華大學(xué)，牛津大學(xué)，F(xiàn)acebook等四大著名研究機(jī)構(gòu)都不約而同的分享了它們的最新成果，它們都提出了一種新的學(xué)習(xí)架構(gòu)，主要由線性層組成，聲稱它們基本可以比擬甚至優(yōu)于CNN模型。這在學(xué)術(shù)界和工業(yè)界立即引發(fā)了關(guān)于 MLP 是否足夠的討論和辯論，許多人認(rèn)為學(xué)習(xí)架構(gòu)正在回歸 MLP。這是真的嗎？

因此，本文從這個(gè)角度出發(fā)，我們將簡(jiǎn)要介紹了網(wǎng)絡(luò)架構(gòu)的歷史，包括多層感知器 (MLP)、卷積神經(jīng)網(wǎng)絡(luò) (CNN) 和Transformer。 最后我們將詳細(xì)比較最新提出來的MLP架構(gòu)之間的區(qū)別與共性。然后就目前MLP網(wǎng)絡(luò)架構(gòu)面臨的挑戰(zhàn)，提出了一些新的視角和方向，希望能激發(fā)大家后面的研究。

簡(jiǎn)介：多層感知器 (MLP)主要由輸入層和輸出層組成，中間可能有多個(gè)隱藏層。每層之間通常利用線性變換和激活函數(shù)進(jìn)行完全連接。在深度卷積神經(jīng)網(wǎng)絡(luò) (DCNN) 興起之前，MLP 是神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)，極大地提高了計(jì)算機(jī)處理分類和回歸問題的能力。然而，由于MLP擁有大量參數(shù)，計(jì)算成本高且容易過度擬合，而且因?yàn)閷又g的線性變換總是將前一層的輸出作為一個(gè)整體，所以MLP在捕獲輸入特征圖中的局部特征結(jié)構(gòu)的能力較弱。但是，因?yàn)楫?dāng)時(shí)的計(jì)算機(jī)算力和性能比較有限，無法獲得大量的數(shù)據(jù)進(jìn)行訓(xùn)練。所以，MLP 的功能在提出時(shí)并沒有得到充分探索。

之后，隨著LeNet的提出，利用五層卷積神經(jīng)網(wǎng)絡(luò)大大提高了手寫數(shù)字識(shí)別的準(zhǔn)確性。后來，AlexNet的提出使得CNN得到了廣泛的認(rèn)可: 它比LeNet模型更大，并在ImageNet2012大型視覺識(shí)別挑戰(zhàn)賽中在以顯著的優(yōu)勢(shì)擊敗所有其他競(jìng)爭(zhēng)對(duì)手。從此時(shí)起，開發(fā)了具有更深層次架構(gòu)的模型便成為了主流，其中許多優(yōu)化的模型在許多領(lǐng)域已經(jīng)取得了比人類更準(zhǔn)確的效果，繼而CNN在科學(xué)研究、工程和商業(yè)應(yīng)用中產(chǎn)生了深刻的范式變化。然而，撇開計(jì)算能力和訓(xùn)練數(shù)據(jù)量方面的進(jìn)步，CNN的成功關(guān)鍵在于它們引入的inductive bias （歸納偏差）即：它們假定信息具有空間局域性，因此可以利用具有共享權(quán)值的滑動(dòng)卷積核來減少網(wǎng)絡(luò)參數(shù)的數(shù)量。然而，這種方法的副作用是，降低了CNN的receptive fields（感受野），從而就降低了CNN學(xué)習(xí)長期依賴的能力。為了擴(kuò)大感受野，就需要使用更大的卷積核，或者必須使用其他特殊策略，如dilated convolutions。

最近，在自然語言處理方面提出的Transformer結(jié)構(gòu)取得了巨大成功，最近它又在視覺任務(wù)上取得了較大的效果。而注意力機(jī)制又是Transformer的核心，它能夠很容易地以注意力特征圖的形式學(xué)習(xí)輸入數(shù)據(jù)中任意兩個(gè)位置之間的長期依賴關(guān)系。然而，這種額外的自由度和減少的inductive bias意味著有效地訓(xùn)練基于transformer的架構(gòu)需要大量的數(shù)據(jù)。因此，為了獲得最好的結(jié)果，這些模型應(yīng)該首先需要在一個(gè)非常大的數(shù)據(jù)集上進(jìn)行預(yù)訓(xùn)練，比如GPT-3和ViT。

為了避免上述學(xué)習(xí)體系結(jié)構(gòu)的缺點(diǎn)，并以更低的計(jì)算成本獲得更好的結(jié)果，最近，四種基于MLP的網(wǎng)絡(luò)結(jié)構(gòu)幾乎同時(shí)被提出。它們的共同目標(biāo)是充分利用線性層來提取特征信息。我們?cè)谙旅鎸⒅饕偨Y(jié)這些架構(gòu)；這四種方法都采用了transposition的方法來實(shí)現(xiàn)所有尺度上的交互，然后也使用了殘差連接和正則化的方法來確保訓(xùn)練的穩(wěn)定性。

每個(gè)網(wǎng)絡(luò)結(jié)構(gòu)的主要區(qū)別

MLP-Mixer

MLP-Mixer首先將個(gè)分辨率為不重疊的image patches,作為輸入，每個(gè)patch首先通過一個(gè)共享權(quán)重的線性層投射到一個(gè)c維嵌入空間:因此，輸入圖像的表示是一個(gè)矩陣，。接下來，X被送入一系列相同的mixer layers，每個(gè)mixer layer 由一個(gè)token-mixing MLP塊和一個(gè)channel-mixing MLP塊組成，分別混合來自所有patch和所有通道的信息。我們可以將計(jì)算表示為:

其中、···、為線性層，為GELU(非線性)激活函數(shù)。采用layer mormalization。代表每次通道特征聚合后的中間矩陣:x中列向量的共享權(quán)重映射。同樣，每個(gè)patch進(jìn)行兩次線性變換，得到輸出。

External Attention

External Attention揭示了自我注意力與線性層的關(guān)系。首先將自注意力簡(jiǎn)化為如下方程，其中 代表輸入特征圖。

然后引入外部存儲(chǔ)單元，將M-to-M注意替換為M-to-M注意，如下所示：

最后，像self-attention一樣，它使用兩種不同的記憶單元和作為key和value來增強(qiáng)網(wǎng)絡(luò)的能力。外部注意的總體計(jì)算如下：

又因?yàn)槭蔷仃囅喑?，它在中是線性的，因此又可以寫作：

最后的輸出可以表示為：

基于external attention，Guo等人還設(shè)計(jì)了一個(gè)multi-head external attention ，實(shí)現(xiàn)了一個(gè)名為EAMLP的全MLP體系結(jié)構(gòu)。

Feed-forward-only Model

Feed-forward-only Model將Transformer中的注意力層替換為token維度上的簡(jiǎn)單前向反饋層。它首先在通道維度上使用線性層，然后在一個(gè)線性塊的token維度上使用線性層。給定輸入，詳細(xì)計(jì)算可表示為:

ResMLP

ResMLP也分別以per-patch和per-channel的方式來對(duì)信息進(jìn)行聚合，具體可以表述為:

ResMLP的一個(gè)主要區(qū)別是，它在規(guī)范化層的角色中使用仿射轉(zhuǎn)換。這個(gè)仿射變換由兩個(gè)可學(xué)習(xí)的參數(shù)向量，他們可以對(duì)輸入的組成進(jìn)行縮放和移動(dòng):

請(qǐng)注意，上面沒有使用輸入的統(tǒng)計(jì)信息，因此可以在推理期間將其集成到線性層中以提高速度。

MLP結(jié)構(gòu)的共性

Long distance interactions

跟Self-attention一樣，這四種方法考慮了不同patch之間的交互作用。MLPMixer、ResMLP和基于僅使用前向反饋的模型，都是使用線性層作用于Token 維度上，從而來實(shí)現(xiàn)以允許不同的patch之間的信息交互。External attention采用softmax和L1歸一化來發(fā)揮類似的作用。與神經(jīng)網(wǎng)絡(luò)不同的是，這些模型主要考慮patch之間的長距離交互，從而來自動(dòng)選擇合適的和不規(guī)則的感受野大小。

Local semantic information

與自然語言中的獨(dú)立單詞不同，單個(gè)像素只有很少的語義信息，它們與其他像素的交互不能直接提供信息。因此，在使用mlp之前，我們需要提取有意義的語義信息。MLP-Mixer、ResMLP和forward - only模型將圖像分割成16 × 16個(gè)局部patch來獲取語義信息。External attention采用T2T模塊或CNN骨干，在將信息傳遞到線性層之前提供豐富的語義信息。

Residual connections

殘差連接解決了梯度消失的問題，可以使訓(xùn)練過程相對(duì)穩(wěn)定，因此它們通常用于深度卷積神經(jīng)網(wǎng)絡(luò)。它們還有利于基于線性層的體系結(jié)構(gòu)構(gòu)造，因此被上述所有模型所采用。

Reduced inductive bias

神經(jīng)網(wǎng)絡(luò)的局部化處理會(huì)導(dǎo)致歸納偏差，當(dāng)訓(xùn)練數(shù)據(jù)足夠多時(shí)，會(huì)降低準(zhǔn)確率。最近引入的MLP體系結(jié)構(gòu)在單個(gè)token上獨(dú)立使用線性層，或一起同等的地處理所有token，從而可以降低歸納偏差。

一些挑戰(zhàn)和新的方向

這些新引入的體系結(jié)構(gòu)具有簡(jiǎn)單的網(wǎng)絡(luò)結(jié)構(gòu)和快速的推理吞吐量。然而，在ImageNet上，他們的結(jié)果目前比最好的cnn或Transformer網(wǎng)絡(luò)提供的結(jié)果低5-10%。在準(zhǔn)確性和速度之間的權(quán)衡上，它們也沒有明顯優(yōu)于輕量級(jí)網(wǎng)絡(luò)。因此，如果要實(shí)現(xiàn)這種結(jié)構(gòu)的潛力，還需要更多的研究。

所有的線性層都采用一種直接或間接地方式來處理圖像patch，提取局部特征，從而降低計(jì)算代價(jià)。將圖像分割成不重疊的patches再次引入歸納偏差。一方面，CNN能很好地捕捉局部結(jié)構(gòu)，但缺乏處理遠(yuǎn)距離交互作用的能力。另一方面，這四個(gè)體系結(jié)構(gòu)提供了一種處理遠(yuǎn)程交互的好方法,因此我們可以很自然的將兩種架構(gòu)的優(yōu)點(diǎn)結(jié)合起來。

這四種方法的主要目的之一是避免使用self-attention。但我們卻可以將Transformer的一些有效配置應(yīng)用到這些線性體系結(jié)構(gòu)。例如，Transformer可以使用多頭注意力，那么基于MLP的網(wǎng)絡(luò)結(jié)構(gòu)同樣也可以使用類似的多頭機(jī)制來提高模型的能力。

殘差連接在所有這些方法中都起著關(guān)鍵作用，這表明網(wǎng)絡(luò)結(jié)構(gòu)至關(guān)重要。因?yàn)檫@些新架構(gòu)比CNN簡(jiǎn)單，所以需要更好的主干（因此，我們可以設(shè)計(jì)更好地主干網(wǎng)絡(luò)模型）。

由于這些新架構(gòu)的簡(jiǎn)單性，它們可以輕松處理不規(guī)則的數(shù)據(jù)結(jié)構(gòu)，包括點(diǎn)云、圖表等，在各種應(yīng)用中使用。此外，這種靈活性保證了建立跨模態(tài)處理的模型的能力，并為所有模式的數(shù)據(jù)提供一個(gè)通用的網(wǎng)絡(luò)主干。

MLP機(jī)制一個(gè)額外的好處是，所有的計(jì)算都是矩陣乘法，可以在深度學(xué)習(xí)框架中高度優(yōu)化，并易于執(zhí)行硬件。這種簡(jiǎn)單性可以促進(jìn)工業(yè)和商業(yè)的部署，也可以減少資源消耗。

總結(jié)

總的來說，新的體系結(jié)構(gòu)分別在element(token)維度和通道維度上應(yīng)用線性層來學(xué)習(xí)和實(shí)現(xiàn)特征矩陣中任意兩個(gè)位置之間的遠(yuǎn)程交互，而傳統(tǒng)的MLPs將這兩個(gè)維度混合在一起作為一個(gè)長向量，從而使得他們之間的有效交互學(xué)習(xí)變得更加自由。我們的結(jié)論是，新的體系結(jié)構(gòu)不應(yīng)當(dāng)是簡(jiǎn)單地重用傳統(tǒng)mlp，而是對(duì)傳統(tǒng)mlp的重大改進(jìn)。