不是所有图像都值 16x16 个词，可变序列长度的动态 Transformer 来了！

转自 | AI 科技评论

编辑 | 陈大鑫

最近半年，Transformer在视觉领域大获成功，其中的代表作就是谷歌的工作ViT：《An Image is Worth 16x16 Words: Transformers for Image Recognition at Scale》。

以ViT为代表的视觉Transformer通常将所有输入图像表征为固定数目的tokens（例如16x16）。

然而token序列一定都要是固定不变的吗？

AI科技评论近日发现一篇清华大学黄高研究团队和华为联合研究的一篇关于动态Transformer 的最新工作：《Not All Images are Worth 16x16 Words: Dynamic Vision Transformers with Adaptive Sequence Length 》。

这项工作发现采用定长的token序列表征数据集中所有的图像是一种低效且次优的做法，并提出一种可针对每个样本自适应地使用最合适的token数目进行表征的动态ViT模型。

该方法在ImageNet上将T2T-ViT的平均推理速度（GPU实测）加快了1.4-1.7倍。其主要思想在于利用级联的ViT模型自动区分“简单”与“困难”样本，实现自适应的样本推理。为了减少级联模型中的冗余计算，文章还提出了特征重用与关系重用的模型设计思路。

图1 Dynamic Vision Transformer（DVT）示例

论文：

论文链接：https://arxiv.org/abs/2105.15075

推理代码和部分预训练模型已经在Github上开源：

https://github.com/blackfeather-wang/Dynamic-Vision-Transformer

1

研究动机及简介

近半年来，以Google的工作《An Image is Worth 16x16 Words: Transformers for Image Recognition at Scale》为代表的Vision Transformer（ViT）系列视觉模型受到了学界的广泛关注，这些模型通常将图像数据划分为固定数目的patch，并将每个patch对应的像素值采用线性映射等方式嵌入为一维的token，作为Transformer模型的输入，示意图如下所示。

图2 Vision Transformer（ViT）对输入的表征方式

假设模型结构固定，即每个token的维度大小固定，将输入表征为更多的token可以实现对图片更为细粒度的建模，往往可以有效提升模型的测试准确率；然而与此相对，由于Transformer的计算开销随token数目成二次方增长，增多token将导致大量增长的计算开销。为了在精度和效率之间取得一个合适的平衡，现有的ViT模型一般将token数设置为14x14或16x16。

而该论文则提出，一个更合适的方法应当是，根据每个输入的具体特征，对每张图片设置对其最合适的token数目。具体而言，不同图片在内容、远近、物体大小、背景、光照等诸多方面均存在较大的差异，将其切分为相同数目和大小的patch没有考虑适应这些要素的变化，因而极有可能是次优的。

以下图为例，左侧的苹果图片构图简单且物体尺寸较大，右侧图片则包含复杂的人群、建筑、草坪等内容且物体尺寸均较小。显然，前者只需要少量token就可以有效表征其内容，后者则需要更多的token描述不同构图要素之间的复杂关系。

图3 根据具体输入确定token数目

这一问题对于网络的推理效率是非常关键的。在下表中，文章使用比原文推荐值（14x14）更少的token数目训练了一个T2T-ViT-12模型，并报告了对应的测试精度和计算开销。从结果中可以看到，若将token数目设置为4x4，准确率仅仅下降了15.9%（76.7% v.s. 60.8%），但计算开销下降了8.5倍（1.78G v.s. 0.21G）。这一结果表明，正确识别占数据大多数的较“简单”的样本只需4x4或更少的token，相当多的计算浪费在了使用存在大量冗余的14x14 token表征他们。

表1 T2T-ViT-12使用更少token时的测试精度和计算开销

2

方法详述

受到上述现象的启发，本论文提出了一个动态视觉Transformer框架（Dynamic Vision Transformer，DVT），意在针对每个样本选择一个合适数目的token来进行表征。

首先介绍DVT的推理过程，如图4所示。本论文使用从小到大的token数目训练了一组Transformer模型，他们具有相同的基本结构，但是参数相互独立，以分别适应逐渐增多的token数目。

图4 Dynamic Vision Transformer（DVT）

对于任意测试样本，首先将其粗略表征为最小数目的token，输入第一个Transformer，以低计算成本迅速得到初步预测。而后判断预测结果是否可信，若可信，则直接输出当前结果并终止推理；若不可信，则将输入图片表征为更多的token，激活下一个Transformer进行更细粒度、但计算开销更大的的推理，得到结果之后再次判断是否可信，以此类推。

论文采用将预测的置信度（confidence）与一个固定阈值进行比较的方式作为准出的判断准则，关于这一方法的细节和其合理性的验证，由于空间有限，请参见paper。

值得注意的是，处于下游的Transformer可以复用先前模型已产生的深度特征和注意力图（attention maps），以尽可能避免进行冗余和重复的计算，关于这一点，将在下文详述。

在训练时，论文简单地训练网络在所有出口都取得正确的预测结果，训练目标如下式所示。其中x和y分别代表数据和标签，代表第i个出口的softmax预测概率，代表交叉熵损失。

显然，DVT框架中所有的Transformer都具有相同的训练目标。因此当一个处于下游位置的Transformer被激活时，一个显然更为高效的做法是，应当训练其在先前Transformer已提取的特征的基础上进行进一步提升，而非完全从0开始重新提取特征。出于这一点考虑，论文提出了一个特征复用机制，如下图所示。将上游Transformer最后一层输出的特征取出，经MLP变换和上采样（Upsample）后，作为上下文嵌入（Context Embedding）以Concat的方式整合入下游模型每一层的MLP模块中。

图5 特征复用（Feature Reuse）机制

除特征外，Transformer中还有一个关键的组分，即自注意力机制中的注意力图（attention maps）。视觉Transformer通过这些注意力图建模token之间的关系，从而实现对每个具体的token进行来自全局的信息整合。

在论文所提出的DVT框架中，位于下游的模型同样可以借助上游Transformer已经得到的注意力图来进行更准确的全局注意力关系建模，论文称之为关系复用，示意图如下所示。将上游模型的全部注意力图以logits的形式进行整合，经MLP变换和上采样后，加入到下层每个注意力图的logits中。这样，下游模型每一层的attention模块都可灵活复用上游模型不同深度的全部attention信息，且这一复用信息的“强度”可以通过改变MLP的参数自动地调整。