Transformer的興起：提高實時視覺處理的準(zhǔn)確度

2017 年在 Google的一篇研究論文中首次提出了Transformer模型，它最初是為自然語言處理 （NLP） 任務(wù)而設(shè)計的。最近，研究人員將Transformer應(yīng)用在了視覺應(yīng)用領(lǐng)域（在過去十年中由卷積神經(jīng)網(wǎng)絡(luò) （CNNs） 占據(jù)主導(dǎo)地位），并獲得了有趣的結(jié)果。事實證明，Transformer對圖像分類和物體檢測等視覺任務(wù)的適應(yīng)性令人驚訝。這些結(jié)果為Transformer贏得了在視覺任務(wù)中與 CNN 比肩的地位。這些任務(wù)旨在提高機器對環(huán)境的理解，以用于情境感知視頻推理等未來應(yīng)用。

2012 年，名為 AlexNet 的卷積神經(jīng)網(wǎng)絡(luò)（CNN）贏得了 ImageNet 大規(guī)模視覺識別挑戰(zhàn)賽 （ILSVRC），這是一項年度計算機視覺競賽。任務(wù)是讓您的機器學(xué)習(xí)并“分類”1000 個不同的圖像（基于 ImageNet 數(shù)據(jù)集）。AlexNet 實現(xiàn)了 15.3% 的 top-5 錯誤率。往屆的獲勝者是基于傳統(tǒng)編程模型，實現(xiàn)的 top-5 錯誤率大約是 26%（見圖 1）。在這之后，CNN 一直占據(jù)統(tǒng)治地位。2016 年和 2017 年，獲勝的 CNN 實現(xiàn)了比人類更高的準(zhǔn)確度。大多數(shù)參與者實現(xiàn)了超過 95% 的準(zhǔn)確度，促使 ImageNet 在 2018 年推出一項難度更高的全新挑戰(zhàn)。CNN 在 ILSVRC 挑戰(zhàn)賽中的統(tǒng)治地位推動了人們大量研究如何將 CNN 應(yīng)用于實時視覺應(yīng)用。在準(zhǔn)確度不斷提高的同時，ResNet 和 EfficientNet 分別于 2015 年和 2020 年將效率提升了 10 倍。實時視覺應(yīng)用不僅需要準(zhǔn)確度，還需要更高的性能（推理/秒或每秒幀數(shù) （fps））、縮小模型尺寸（提高帶寬），以及功率和面積效率。

圖 1：ILSVRC 結(jié)果凸顯了 AlexNet（一種卷積神經(jīng)網(wǎng)絡(luò)）帶來了顯著提高的視覺分類準(zhǔn)確度。

分類是更復(fù)雜、更有用的視覺應(yīng)用的基石。這些視覺應(yīng)用包括對象檢測（在二維圖像中找到對象的位置）、語義分割（對圖像中的每個像素進行分組/標(biāo)記）和全景分割（識別對象位置以及對每個對象中的每個像素進行標(biāo)記/分組）。2017 年 Google Brain 的論文中首次介紹的Transformer旨在改進遞歸神經(jīng)網(wǎng)絡(luò) （RNN） 和長短時記憶 （LSTM），用于翻譯、問答和對話式 AI 等 NLP 任務(wù)。RNN 和 LSTM 已用于處理順序數(shù)據(jù)（即數(shù)字化語言和語音），但其架構(gòu)不易并行化，因此通常具有非常有限的帶寬，難以訓(xùn)練。Transformer的結(jié)構(gòu)與 RNN 和 LSTM 相比具有幾個優(yōu)勢。與必須按順序讀取一串文本的 RNN 和 LSTM 不同，Transformer明顯更易并行化，并且可以同時以完整的單詞順序讀取，從而更好地學(xué)習(xí)文本字符串中單詞之間的上下文關(guān)系。

2018年底，谷歌提出了預(yù)訓(xùn)練模型雙向編碼表征Transformer（BERT），其在多項NLP任務(wù)上均取得了突破性的進展，大受歡迎，以至于被納入 MLCommons 的 MLPerf 神經(jīng)網(wǎng)絡(luò)推理基準(zhǔn)測試套件中。除了準(zhǔn)確度高之外，Transformer還更容易被訓(xùn)練，使大型Transformer成為可能。MTM、GPT-3、T5、ALBERT、RoBERTa、T5、Switch AS 只是處理 NLP 任務(wù)的一些大型轉(zhuǎn)換器。由 OpenAI 于 2020 年推出的生成預(yù)訓(xùn)練Transformer3 （GPT-3） 使用深度學(xué)習(xí)來生成類似人類的文本，準(zhǔn)確度很高，以至于很難判定該文本是否由人類編寫。

像 BERT 這樣的Transformer可以成功地應(yīng)用于其他應(yīng)用領(lǐng)域，并具有極具前景的嵌入式使用效果?？梢栽趶V泛的數(shù)據(jù)上訓(xùn)練并應(yīng)用于各種應(yīng)用的 AI 模型被稱為基礎(chǔ)模型。在其中的視覺領(lǐng)域，Transformer取得了令人驚嘆的成就。

應(yīng)用于視覺的Transformer

2021 年發(fā)生了一些非凡的事情。Google Brain 團隊將其Transformer模型應(yīng)用于圖像分類。一連串單詞和二維圖像之間存在很大差異，但 Google Brain 團隊將圖像切成小塊，將這些小塊圖像中的像素放入矢量中，并將矢量饋送到Transformer中。結(jié)果令人驚訝。在不對模型進行任何修改的情況下，Transformer在分類方面的準(zhǔn)確度優(yōu)于最先進的 CNN。雖然準(zhǔn)確度不是實時視覺應(yīng)用的唯一指標(biāo)（功率、成本、面積）和推理/秒也很重要），但這在視覺領(lǐng)域中堪稱一項重大成果。

圖 2：Transformer和 CNN 結(jié)構(gòu)對比

比較 CNN 和Transformer對了解其類似結(jié)構(gòu)很有幫助。在圖 2 中，Transformer的結(jié)構(gòu)由圖像左側(cè)的方框組成。為了進行比較，我們使用與 ResNet 中發(fā)現(xiàn)的結(jié)構(gòu)類似的典型 CNN 結(jié)構(gòu)來繪制 CNN 的類似結(jié)構(gòu)。ResNet 是具有逐元素加法的 1x1 卷積。我們發(fā)現(xiàn)Transformer的前饋部分在功能上與 CNN 的 1x1 卷積相同。這些是矩陣乘法運算，可在特征圖中的每個點上應(yīng)用線性轉(zhuǎn)換。

Transformer和 CNN 之間的區(qū)別在于兩者如何混合來自相鄰像素的信息。這發(fā)生在Transformer的多頭注意力和卷積網(wǎng)絡(luò)的 3x3 卷積中。對于CNN，混合的信息基于每個像素的固定空間位置，如圖 3 中所示。對于 3x3 卷積，使用相鄰像素（中心像素周圍的九個像素）計算加權(quán)和。

圖 3：說明 CNN 的卷積和Transformer的注意力網(wǎng)絡(luò)在混合其他令牌/像素的特征方面有何差異。

Transformer的注意力機制不僅基于位置，還基于學(xué)習(xí)屬性來混合數(shù)據(jù)。在訓(xùn)練期間，Transformer可以學(xué)習(xí)關(guān)注其他像素。注意力網(wǎng)絡(luò)具有更強的學(xué)習(xí)和表達(dá)更復(fù)雜關(guān)系的能力。

推出視覺Transformer轉(zhuǎn)換器和偏移窗口Transformer

專門用于視覺任務(wù)的新型Transformer正在興起。專門從事圖像分類的視覺Transformer （ViT） 現(xiàn)在正在準(zhǔn)確度方面擊敗 CNN（盡管要實現(xiàn)這種準(zhǔn)確度，ViT需要用非常大的數(shù)據(jù)集進行訓(xùn)練）。ViT 還需要更多的計算，這會降低其 fps 性能。

Transformer也正在應(yīng)用于對象檢測和語義分割。Swin（偏移窗口）Transformer為對象檢測 （COCO） 和語義分割 （ADE20K） 提供了最先進的準(zhǔn)確度。雖然 CNN 通常應(yīng)用于靜態(tài)圖像，但由于對以前或?qū)淼膸涣私?，轉(zhuǎn)換器可以應(yīng)用于視頻幀。SWIN 的變體可直接應(yīng)用于視頻，用于動作分類等用途。將Transformer的注意力分別應(yīng)用于時間和空間，為 Kinetics-400 和 Kinetics-600 動作分類基準(zhǔn)測試提供了最先進的結(jié)果。

Apple 于 2022 年初推出的 MobileViT（圖 4）提供了Transformer和CNN的有趣組合。MobileViT 結(jié)合了Transformer和 CNN 功能，為針對移動應(yīng)用程序的視覺分類創(chuàng)建了輕量級模型。與僅使用 CNN 的 MobileNet 相比，這種Transformer和CNN的組合使相同尺寸的模型（6M 系數(shù)）的準(zhǔn)確度提高了 3%。盡管 MobileViT 的性能優(yōu)于 MobileNet，但它仍然慢于當(dāng)今支持 CNN 但沒有針對Transformer進行優(yōu)化的手機上的 CNN 實現(xiàn)。要想利用Transformer的優(yōu)勢，未來的視覺 AI 加速器將需要更好的Transformer支持。

圖 4：MobileViT：輕量、通用和移動友好型視覺Transformer（圖片來源：https://arxiv.org/abs/2110.02178）

盡管Transformer在視覺任務(wù)方面取得了成功，但卷積網(wǎng)絡(luò)不太可能很快消失。這兩種方法之間仍然存在權(quán)衡，Transformer具有更高的準(zhǔn)確度，但 fps 性能低得多，需要更多的計算和數(shù)據(jù)移動。為了規(guī)避兩者的弱點，將Transformer和 CNN 相結(jié)合可以產(chǎn)生具有巨大前景的靈活解決方案。

Transformer的實現(xiàn)盡管在架構(gòu)上存在相似之處，但無法讓專門為 CNN 設(shè)計的加速器有效地執(zhí)行Transformer。至少需要考慮架構(gòu)增強，以處理注意力機制。

新思科技 的 ARC NPX6 NPU IP 是 AI 加速器的一個例子，該加速器旨在高效處理 CNN 和Transformer。NPX6 的計算單元（圖 5）包括卷積加速器，該加速器旨在處理對 CNN 和Transformer都至關(guān)重要的矩陣乘法。張量加速器也至關(guān)重要，因為它旨在處理所有其他非卷積張量算子集架構(gòu) （TOSA） 運算，包括Transformer運算。

圖 5：新思科技 ARC NPX6 NPU IP

總結(jié)

視覺Transformer已經(jīng)取得了快速進步，并將繼續(xù)保持。這些基于注意力的網(wǎng)絡(luò)在準(zhǔn)確度方面優(yōu)于僅支持 CNN 的網(wǎng)絡(luò)。將視覺Transformer與卷積相結(jié)合的模型在推理（如 MobileViT）方面更高效，并提高了性能效率。這種新型神經(jīng)網(wǎng)絡(luò)模型正在開啟解決未來 AI 任務(wù)的大門，例如完全視覺感知，其需要的知識單靠視覺可能不易獲取。Transformer與 CNN 相結(jié)合，引領(lǐng)著新一代 AI 的發(fā)展。選擇同時支持 CNN 和Transformer的架構(gòu)，對于新興 AI 應(yīng)用的 SoC 成功至關(guān)重要。

審核編輯 ：李倩