谷歌开源预训练新范式BiT,准确率提高近25%!网友评价:CV界BERT
大规模预训练+简单迁移策略
鱼羊 发自 凹非寺
量子位 报道 | 公众号 QbitAI
BERT在NLP界无往不利,大大提高了自然语言模型的性能,那么,在计算机视觉领域,有没有可能一个CNN打天下?
现在,谷歌大脑给出了一个答案——开源CV预训练新范式BiT。
BiT(Big Transfer),简而言之,是一个可以作为任意视觉任务起点的预训练ResNet。
在这项研究中,谷歌大脑证明:用大量通用数据进行预训练的情况下,简单的迁移策略就能让CV模型在下游任务上获得良好的性能。
研究人员希望,BiT能取代现在常用的ImageNet预训练模型,推动计算机视觉研究的发展。
甚至有网友这样评价:BiT是CV界的BERT。
预训练的ResNet
所以BiT具体是怎么一回事呢?
首先,要说到研究人员的3个新发现。
其一,是数据集大小和模型容量之间的关系。
研究人员利用经典的ResNet架构,在ILSVRC-2012(1.28M)、ImageNet-21K(14M)和JFT(300M)这三个数据集上,分别训练了从标准的50层R50x1,到4倍宽、152层深的R152x4等几个变体。
观察结果显示,想要在更大的数据集上获得更好的预训练效果,就需要增加模型容量。
另外,在较大的数据集上进行预训练,不一定会提高性能。但是,通过增加计算预算和训练时间,性能能得到明显的改善。
第二个发现更加重要:训练时间的长短至关重要。
如果在不调整计算预算的情况下,在一个较大的数据集上进行预训练,训练时间越长,性能反而可能变差。
而针对新的数据集调整训练时间,改进效果会非常显著。
另外,研究人员还发现,用组归一化(GN)取代批归一化(BN),对大规模预训练而言是有益的。
首先,BN的状态,包括神经激活的均值和方差,需要在预训练和迁移之间进行调整,而GN是无状态的,从而绕开了这个问题。
其次,BN使用的是批处理级统计,当大模型不可避免地出现小每设备(per-device)批处理量时,BN就会变得不可靠。GN同样回避了这个问题。
所以,研究人员们提出了这样的预训练策略:采用标准ResNet,增加深度和宽度,用GNWS替换BN,并在大型通用数据集上进行更多迭代。
迁移学习
接下来,就是针对下游任务微调预训练BiT模型。
研究人员介绍,BiT只需要预训练一次,此后在针对下游任务进行微调时,成本很低。
微调涉及到很多超参数,比如学习率、权重衰减等。
对此,研究人员提出了BiT-HyperRule方法。该方法仅基于高级数据集特征,如图像分辨率和标注样本数量等。也就是说,BiT并不会对每个下游任务都进行超参数调整。这能有效地降低任务适应成本。
并且,对BiT模型进行预训练后,即使下游任务只有少量标注样本,模型一样表现良好。
研究人员还观察到,在这种情况下,增加用于预训练的通用数据量和架构容量,所产生的模型适应新数据的能力也将大幅提高。
实验结果
为了验证BiT的表现是否具有普遍性,研究人员在VTAB-1k上进行了实验。
VTAB-1k是由19个不同任务组成的任务套件,每个任务只有1000个标注样本。
BiT-L模型(在JFT-300M上进行预训练)迁移到这些任务上后,获得了76.3%的总得分,比此前的SOTA方法提高了5.8%。
另外,BiT-L在标准CV基准Oxford Pets、Flowers、CIFAR上的结果也表明,这种大规模预训练 + 简单迁移的策略在数据量适中的情况下也是有效的。
为了进一步评估BiT的鲁棒性,研究人员还在基于真实照片的ObjectNet数据集上对模型进行验证。
BiT-L模型的top-5精度刷新记录,达到80%,比此前的SOTA方法提高将近25%。
关于作者
这篇论文有三位共同一作。
Alexander Kolesnikov,谷歌大脑研究软件工程师,于2018年在奥地利科技学院获机器学习与计算机视觉博士学位。
Lucas Beyer ,谷歌大脑研究工程师,2018年博士毕业于德国亚琛工业大学。
翟晓华,谷歌大脑高级研究工程师,博士毕业于北京大学。研究方向是表征学习、自监督学习、GAN等。
传送门
谷歌博客:
https://ai.googleblog.com/2020/05/open-sourcing-bit-exploring-large-scale.html
论文地址:
https://arxiv.org/abs/1912.11370
— 完 —
- o1满血版泄露!奥数题图片推理手拿把掐,奥特曼上线剧透o22024-11-03
- 科研版AI搜索来了!知乎直答接入正版论文库,一手实测在此2024-11-01
- 微软清华改进Transformer:用降噪耳机原理升级注意力,一作在线答疑2024-11-03
- 全国第二!智平方荣获第十三届全国创新创业大赛初创型企业全国总决赛第二名(新一代信息技术赛道)2024-11-03