A Battle of Network Structures: An Empirical Study of CNN, Transformer, and MLP
【GiantPandaCV導語】ViT的興起挑戰了CNN的地位，隨之而來的是MLP系列方法。三種架構各有特點，為了公平地比較幾種架構，本文提出了統一化的框架SPACH來對比，得到了具有一定insight的結論。
背景
近期Transformer MLP系列模型的出現，增加了CV領域的多樣性，MLP-Mixer的出現表明卷積或者注意力都不是模型性能優異的必要條件。不同架構的模型進行比較的過程中，會使用不同的正則化方法、訓練技巧等，為了比較的公平性，本文提出了SPACH的統一框架，期望對幾種架構進行對比，同時探究他們各自的特點。
這個框架總體來說有兩種模式：多階段和單階段。每個階段內部采用的是Mixing Block，而該Mixing Block可以是卷積層、Transformer層以及MLP層。
經過實驗發現了以下幾個結論：
- 多階段框架效果優於單節段框架（通過降采樣划分階段）
- 局部性建模具有高效性和重要性。
- 通過使用輕量級深度卷積（depth wise conv)，基於卷積的模型就可以取得與Transformer模型類似的性能。
- 在MLP和Transformer的架構的支路中使用一些局部的建模可以在有效提升性能同時，只增加一點點參數量。
- MLP在小型模型中具有非常強的性能表現，但是模型容量擴大的時候會出現過擬合問題，過擬合是MLP成功路上的攔路虎。
- 卷積操作和Transformer操作是互補的，卷積的泛化性能更強，Transformer結構模型容量更大。通過靈活組合兩者可以掌控從小到大的所有模型。
統一框架
本文提出一統MLP、Transformer、Convolution的框架：SPACH
下表展示的是各個模塊中可選的參數，並提出了三種變體空間。
其中各個模塊設計如下：
- (a)展示的是卷積部分操作，使用的是3x3深度可分離卷積。
- (b)展示的是Transformer模塊，使用了positional embedding（由於目前一些研究使用absolute positional embedding會導致模塊模型的平移不變性，因此采用Convolutional Position Encoding(CPE)。
- (c)展示的是MLP模塊，參考了MLP-Mixer的設計，雖然MLP-Mixer中並沒有使用Positional Embedding，但是作者發現通過增加輕量級的CPE能夠有效提升模型性能。
注：感覺這三種模塊的設計注入了很多經驗型設計，比如卷積並沒有用普通卷積，用深度可分離卷積其實類似MLP中的操作，此外為MLP引入CPE的操作也非常具有技巧性。
三種模塊具有不同的屬性：
所謂dynamic weight是Transformer中可以根據圖片輸入的不同動態控制權重，這樣的模型的容量相較CNN更高。CNN中也有這樣的趨勢，dynamic network的出現也是為了實現動態權重。（感謝zzk老師的講解）Transformer側重是關系的學習和建模，不完全依賴於數據，CNN側重模板的匹配和建模，比較依賴於數據。
| Transformer | CNN |
|---|---|
| Dynamic Attention | Multi-scale Features by multi-stage |
| Global Context Fusion | Shift,scale and distortion invariance |
| Better Generalization（學習關系，不完全依賴數據） | Local Spatial Modeling |
實驗
實驗設置：
- 數據集選擇ImageNet-1K
- 輸入分辨率224x224
- 訓練設置參看DeiT
- AdamW優化器訓練300個epoch
- weight decay: 0.05 （T用的weight decay更小）
- learning rate：0.005 對應 512 batch size（T用的lr更小）
結論1：multi-stage 要比 single-stage性能更好
具體性能如下表所記錄，Multi-Stage能夠顯著超過Single Stage的模型。
可以發現，有一個例外，在xxs尺度下，Transformer進度損失了2.6個百分點，因為多階段模型恰好只有單階段模型一半的參數量和Flops。
隨着參數量的增加，模型最高精度先后由MLP、Conv、Transformer所主導。
結論2：局部建模非常重要
上表展示了具有局部建模以及去除局部建模的效果，可以發現使用卷積旁路的時候吞吐量略微降低，但是精度有顯著提高。
結論3：MLP的細節分析
MLP性能不足主要源自於過擬合問題，可以使用兩種機制來緩解這個問題。
- Multi-Stage的網絡機制，可以從以上實驗發現，multi-stage能夠有效降低過擬合，提高模型性能。
- 權重共享機制，MLP在模型參數量比較大的情況下容易過擬合，但是如果使用權重共享可以有效緩解過擬合問題。具體共享的方法是對於某個stage的所有Mixing Block均使用相同的MLP進行處理。
結論4：卷積與Transformer具有互補性
作者認為卷積具有的泛化能力更強，而Transformer具有更大的模型容量，如下圖所示，在Loss比較大的情況下，整體的准確率是超過了Transformer空間的。
結論5： 混合架構的模型
在multi-stage的卷積網絡基礎上將某些Mixing Block替換為Transformer的Block， 並且處於對他們建模能力的考量，選擇在淺層網絡使用CNN，深層網絡使用Transformer，得到兩種模型空間：
SOTA模型比較結果：
整體結論是：
- Transformer能力要比MLP強，因此不考慮使用MLP作為混合架構
- 混合Transformer+CNN的架構性能上能夠超越單獨的CNN架構或者Transformer架構
- FLOPS與ACC的權衡做的比較出色，能夠超越Swin Transformer以及NAS搜索得到的RegNet系列。
最后作者還向讀者進行提問：
- MLP性能欠佳是由於過擬合帶來的，能夠設計高性能MLP模型防止過擬合呢？
- 目前的分析證明卷積或者Transformer並不是一家獨大，如何用更好的方式融合兩種架構？
- 是否存在MLP,CNN,Transformer之外的更有效地架構呢？
代碼
對照下圖逐步給出各個Mixing Block:
（a）卷積模塊 ，kernel為3的深度可分離卷積
class DWConv(nn.Module):
def __init__(self, dim, kernel_size=3):
super(DWConv, self).__init__()
self.dim = dim
self.kernel_size = kernel_size
padding = (kernel_size - 1) // 2
self.net = nn.Sequential(Reshape2HW(),
nn.Conv2d(dim, dim, kernel_size, 1, padding, groups=dim),
Reshape2N())
def forward(self, x):
x = self.net(x)
return x
（b）Transformer
class SpatialAttention(nn.Module):
"""Spatial Attention"""
def __init__(self, dim, num_heads, qkv_bias=False, qk_scale=None, attn_drop=0., proj_drop=0., **kwargs):
super(SpatialAttention, self).__init__()
head_dim = dim // num_heads
self.num_heads = num_heads
self.scale = qk_scale or head_dim ** -0.5
self.qkv = nn.Linear(dim, dim * 3, bias=qkv_bias)
self.attn_drop = nn.Dropout(attn_drop)
self.proj = nn.Linear(dim, dim)
self.proj_drop = nn.Dropout(proj_drop)
def forward(self, x):
B, N, C = x.shape
qkv = self.qkv(x)
qkv = rearrange(qkv, "b n (three heads head_c) -> three b heads n head_c", three=3, heads=self.num_heads)
q, k, v = qkv[0] * self.scale, qkv[1], qkv[2]
attn = (q @ k.transpose(-2, -1)) # B, head, N, N
attn = attn.softmax(dim=-1)
attn = self.attn_drop(attn)
out = (attn @ v) # B, head, N, C
out = rearrange(out, "b heads n head_c -> b n (heads head_c)")
out = self.proj(out)
out = self.proj_drop(out)
return out
（c）MLP模塊，分為channel mlp和spatial mlp，與MLP-Mixer保持一致
class ChannelMLP(nn.Module):
"""Channel MLP"""
def __init__(self, in_features, hidden_features=None, out_features=None, act_layer=nn.GELU, drop=0., **kwargs):
super(ChannelMLP, self).__init__()
out_features = out_features or in_features
hidden_features = hidden_features or in_features
self.fc1 = nn.Linear(in_features, hidden_features)
self.act = act_layer()
self.fc2 = nn.Linear(hidden_features, out_features)
self.drop = nn.Dropout(drop)
self.hidden_features = hidden_features
self.out_features = out_features
def forward(self, x):
B, N, C = x.shape
x = self.fc1(x)
x = self.act(x)
x = self.drop(x)
x = self.fc2(x)
x = self.drop(x)
return x
class SpatialAttention(nn.Module):
"""Spatial Attention"""
def __init__(self, dim, num_heads, qkv_bias=False, qk_scale=None, attn_drop=0., proj_drop=0., **kwargs):
super(SpatialAttention, self).__init__()
head_dim = dim // num_heads
self.num_heads = num_heads
self.scale = qk_scale or head_dim ** -0.5
self.qkv = nn.Linear(dim, dim * 3, bias=qkv_bias)
self.attn_drop = nn.Dropout(attn_drop)
self.proj = nn.Linear(dim, dim)
self.proj_drop = nn.Dropout(proj_drop)
def forward(self, x):
B, N, C = x.shape
qkv = self.qkv(x)
qkv = rearrange(qkv, "b n (three heads head_c) -> three b heads n head_c", three=3, heads=self.num_heads)
q, k, v = qkv[0] * self.scale, qkv[1], qkv[2]
attn = (q @ k.transpose(-2, -1)) # B, head, N, N
attn = attn.softmax(dim=-1)
attn = self.attn_drop(attn)
out = (attn @ v) # B, head, N, C
out = rearrange(out, "b heads n head_c -> b n (heads head_c)")
out = self.proj(out)
out = self.proj_drop(out)
return out
SPACH骨干網絡的構建： MixingBlock
class MixingBlock(nn.Module):
def __init__(self, dim,
spatial_func=None, scaled=True, init_values=1e-4, shared_spatial_func=False,
norm_layer=partial(nn.LayerNorm, eps=1e-6), act_layer=nn.GELU, drop_path=0., cpe=True,
num_heads=None, qkv_bias=False, qk_scale=None, attn_drop=0., proj_drop=0., # attn
in_features=None, hidden_features=None, drop=0., # mlp
channel_ratio=2.0
):
super(MixingBlock, self).__init__()
spatial_kwargs = dict(act_layer=act_layer,
in_features=in_features, hidden_features=hidden_features, drop=drop, # mlp
dim=dim, num_heads=num_heads, qkv_bias=qkv_bias, qk_scale=qk_scale, attn_drop=attn_drop, proj_drop=proj_drop # attn
)
self.valid_spatial_func = True
if spatial_func is not None:
if shared_spatial_func:
self.spatial_func = spatial_func
else:
self.spatial_func = spatial_func(**spatial_kwargs)
self.norm1 = norm_layer(dim)
if scaled:
self.gamma_1 = nn.Parameter(init_values * torch.ones(1, 1, dim), requires_grad=True)
else:
self.gamma_1 = 1.
else:
self.valid_spatial_func = False
self.channel_func = ChannelMLP(in_features=dim, hidden_features=int(dim*channel_ratio), act_layer=act_layer,
drop=drop)
self.norm2 = norm_layer(dim)
self.drop_path = DropPath(drop_path) if drop_path > 0. else nn.Identity()
self.cpe = cpe
if cpe:
self.cpe_net = DWConv(dim)
def forward(self, x):
in_x = x
if self.valid_spatial_func:
x = x + self.drop_path(self.gamma_1 * self.spatial_func(self.norm1(in_x)))
if self.cpe:
x = x + self.cpe_net(in_x)
x = x + self.drop_path(self.channel_func(self.norm2(x)))
return
SPACH構建：
class Spach(nn.Module):
def __init__(self,
num_classes=1000,
img_size=224,
in_chans=3,
hidden_dim=384,
patch_size=16,
net_arch=None,
act_layer=nn.GELU,
norm_layer=partial(nn.LayerNorm, eps=1e-6),
stem_type='conv1',
scaled=True, init_values=1e-4, drop_path_rate=0., cpe=True, shared_spatial_func=False, # mixing block
num_heads=12, qkv_bias=True, qk_scale=None, attn_drop=0., proj_drop=0., # attn
token_ratio=0.5, channel_ratio=2.0, drop_rate=0., # mlp
downstream=False,
**kwargs
):
super(Spach, self).__init__()
self.num_classes = num_classes
self.hidden_dim = hidden_dim
self.downstream = downstream
self.stem = STEM_LAYER[stem_type](
img_size=img_size, patch_size=patch_size, in_chans=in_chans, embed_dim=hidden_dim, downstream=downstream)
self.norm1 = norm_layer(hidden_dim)
block_kwargs = dict(dim=hidden_dim, scaled=scaled, init_values=init_values, cpe=cpe,
shared_spatial_func=shared_spatial_func, norm_layer=norm_layer, act_layer=act_layer,
num_heads=num_heads, qkv_bias=qkv_bias, qk_scale=qk_scale, attn_drop=attn_drop, proj_drop=proj_drop, # attn
in_features=self.stem.num_patches, hidden_features=int(self.stem.num_patches * token_ratio), channel_ratio=channel_ratio, drop=drop_rate) # mlp
self.blocks = self.make_blocks(net_arch, block_kwargs, drop_path_rate, shared_spatial_func)
self.norm2 = norm_layer(hidden_dim)
if not downstream:
self.pool = Reduce('b n c -> b c', reduction='mean')
self.head = nn.Linear(hidden_dim, self.num_classes)
self.init_weights()
def make_blocks(self, net_arch, block_kwargs, drop_path, shared_spatial_func):
if shared_spatial_func:
assert len(net_arch) == 1, '`shared_spatial_func` only support unitary spatial function'
assert net_arch[0][0] != 'pass', '`shared_spatial_func` do not support pass'
spatial_func = SPATIAL_FUNC[net_arch[0][0]](**block_kwargs)
else:
spatial_func = None
blocks = []
for func_type, depth in net_arch:
for i in range(depth):
blocks.append(MixingBlock(spatial_func=spatial_func or SPATIAL_FUNC[func_type], drop_path=drop_path,
**block_kwargs))
return nn.Sequential(*blocks)
def init_weights(self):
for n, m in self.named_modules():
_init_weights(m, n)
def forward_features(self, x):
x = self.stem(x)
x = reshape2n(x)
x = self.norm1(x)
x = self.blocks(x)
x = self.norm2(x)
return x
def forward(self, x):
x = self.forward_features(x)
x = self.pool(x)
x = self.head(x)
return x
參考
https://github.com/microsoft/SPACH