EfficientFormer模型解析：更快速的视觉Transformer设计

EfficientFormer 是一组优化了推理速度的模型系列。该论文通过延迟分析法重新审视了 ViT 及其变体的设计原则，并识别出 ViT 中的低效设计和运算符，从而并提出了一个新颖的维度一致的设计范式，用于视觉变压器，并提出了一种简单而有效的延迟驱动的裁剪法，以进一步优化推理速度。

代码及模型资源可在 GitHub 查看。

延迟分析（或性能分析）。结果是在iPhone 12上使用CoreML得到的。

注意：使用大内核和大步幅的补丁处理过程在移动设备上会成为速度瓶颈。

最初的观察表明，传统的补丁嵌入方法，通常采用非重叠的卷积操作，其大核卷积和大步长对移动设备的速度造成了瓶颈。虽然之前认为这些大核卷积的计算成本可以忽略，但实际上大多数编译器并不高效支持这些大核卷积。建议用几个高效的3x3卷积来替换它们，以实现更快的下采样操作。

观察2：选择token混合器时，一致的特征维度很重要。MHSA不一定是一个速度瓶颈问题。

在基于ViT的模型中，选择令牌混合器对性能有着至关重要的影响。比较不同的混合器，例如MHSA（多头自注意力）和池化，可以发现虽然MHSA本身并不一定是瓶颈，但在像LeViT-256这样的模型中，其实施由于频繁的重塑操作导致了延迟。相比之下，池化更适合某些网络实现，从而加快了推理。特征维度的一致在令牌混合器的效率中起着关键作用。

观察3：CONV-BN在延迟方面优于线性归一化（LN-GN），尽管有精度损失，但这种损失通常是可接受的。

MLP（多层感知器）的实现类型，特别是在CONV-BN（带批归一化的卷积）和LN（层归一化）与线性映射之间，会影响延迟时间。CONV-BN更有利于减少延迟，因为BN可以与前面的卷积融合以提高速度。LN和其他动态归一化方法在推理过程中收集运行时统计，从而增加了延迟时间。这里的选择是在延迟时间和准确性之间做出权衡取舍，CONV-BN虽然会在一定程度上降低性能，但能带来显著的延迟减少。

观察4：非线性的时延受硬件和编译器的影响。

之前被认为效率低下的GeLU（即GeLU），在某些硬件上（例如iPhone 12）表现却很好。相比之下，HardSwish在实验中意外地变慢，可能是因为编译器支持不足。结论是，选择激活函数时应考虑具体的硬件和编译器支持情况。

EfficientFormer 简介。

网络由补丁嵌入（Patch Embed）模块和一系列元变压器块（MB）组成：

其中 X0 是批大小为 B、空间尺寸为 [H, W] 的输入图像，Y 是期望的输出 Y，总块数 m（深度）。MB 包含一个未指定的 Token 混合器（TokenMixer）和一个 MLP 块，可以表示如下：

一个阶段（或 S）是由几个处理相同空间大小特征的元块堆叠而成的模块。网络共有 4 个这样的阶段。在每个阶段之间，有一个嵌入操作来映射嵌入维度并下采样标记长度。

网络被划分为一个4D分区，在这个分区中，操作以类似卷积网络（CONV-net）的方式实现。而在另一个3D分区中，线性投影和注意力机制则是在3D张量上进行，以便在后续阶段利用多头自注意力（MHSA）的强大全局建模能力，同时保持高效。

首先，输入图像通过一个卷积stem进行处理，该stem包含两个3×3卷积（步长为2），作为图像嵌入。

其中 Cj 是第 j 个阶段的通道数量（宽度）。然后网络从带有简单池化混合器的 MB4D 开始，以提取低层次特征，

其中 ConvB,G 表示卷积操作后是否分别接上 BN 和 GeLU。在 Pool 混合器之前没有 Group 或 Layer Normalization (LN)，因为 4D 分区基于 CONV-BN 设计，因此每个 Pool 混合器前面都有一个 BN。

在处理完所有MB4D块之后，进行一次重塑，以调整特征尺寸并进入3D分区。MB3D也遵循标准的ViT结构。从形式上讲，

其中，LinearG 表示先进行 Linear，再进行 GeLU。

其中 Q, K, V 分别代表通过线性投影得到的查询、键和值，b 则是参数化的注意力偏差，通常用于位置编码（position embedding）。

超网络是基于MetaPath（MP）概念设计的，MetaPath表示网络每个阶段中可能存在的不同模块。MetaPath决定了每个阶段网络架构中可用的模块选择。

其中 I 表示身份路径 I，j 表示第 j 阶段，i 表示第 i 块。

搜索空间参数设定：

• Cj: 每个阶段的宽度（Cj）。
• Nj: 每个阶段的块数（深度Nj）。
• N: 需要应用MB3D的块数（N）。

搜索方法

梯度搜索算法用于提高效率，无需将每个候选方案部署到硬件中。

该算法包括三个步骤：

• 通过 Gumbel Softmax 采样来训练超网络，以获取每个 MetaPath 中各块的重要性得分。

• 通过收集不同块配置（如MB4D和MB3D，以及各种宽度）的设备延迟来构建一个延迟查找表。
• 基于使用查找表进行延迟评估的网络裁剪过程。这涉及通过迭代评估并逐步减少块和阶段的宽度和重要性，以适应目标延迟并达到目标延迟。

在ImageNet-1K上的比较结果。

• 在ImageNet-1K数据集上从头开始训练的EfficientFormer模型。
• 训练和测试时使用的标准图像尺寸为224 × 224。
• 训练方案遵循DeiT，训练周期为300个。
• 用于知识蒸馏的教师模型为RegNetY-16GF，其最高准确率为82.9%。

来看看性能表现对比:

• 相比CNN，EfficientFormer在精度与延迟之间的权衡上做得更好，适用于各类设备。
• EfficientFormer模型在性能上超越了EfficientNet和MobileNet模型，在不同层和推理速度下表现更佳。
• 在iPhone神经引擎和台式机GPU（A100）上，相比现有模型，在性能上表现更佳。

与ViTs相比:

• EfficientFormer 的表现与 transformer 模型相当，但在推理速度上要快得多。
• EfficientFormer 在准确性和速度上都优于最近的 transformer 变体，如 PoolFormer。

混合模型设计与纯Transformer模型对比:

• 混合设计在延迟方面存在困难，但未能在速度和精度上超越轻量级CNN。
• EfficientFormer是一种纯Transformer模型，在同时实现了超快的推理速度的同时保持了高性能。
• 在各种硬件配置中，EfficientFormer超越了MobileViT模型，具有显著的精度优势。

使用EfficientFormer的比较结果

目标检测和实例分割:

• 使用ImageNet-1K预训练权重初始化的Mask-RCNN和EfficientFormer作为骨干网络，在COCO2017数据集上进行训练和验证，该数据集包含118K张训练图像和5K张验证图像。
• 输入尺寸设置为1333 × 800 像素。
• EfficientFormer在性能上一直优于CNN（如ResNet）和Transformer（如PoolFormer）骨干网络。
• EfficientFormer-L3在box AP上比ResNet50骨干网络高出3.4，在mask AP上高出3.7。
• 在box AP上超过PoolFormer-S24 1.3，在mask AP上超过PoolFormer-S24 1.1，强调了EfficientFormer作为视觉任务中骨干网络的鲁棒性。

语义分割：

• 使用预训练的 ImageNet-1K 权重的 EfficientFormer 和采用语义 FPN 作为分割解码器在 ADE20K 数据集上进行语义分割，该数据集包含 20K 张训练图像和 2K 张验证图像，覆盖 150 个类别。
• 训练时，将输入图像调整并裁剪为 512 × 512，而在测试/验证时，将较短边调整为 512。
• EfficientFormer 与以 CNN 和 transformer 为基础的主干网络相比，在相似的计算预算下表现出了显著的优势。
• EfficientFormer-L3 在 mIoU 指标上超越 PoolFormer-S24 3.2 个百分点，展示了其有效学习长期依赖的能力，这得益于全局注意力机制，这对高分辨率密集预测任务非常有利。

EfficientFormer：达到 MobileNet 的速度的视觉变换器 2206.01191

推荐阅读: [Vision Transformers]

想了解更多吗？

别错过探索该系列中的其他精彩主题。只需点击这里即可，即可发现最新的研究成果！

别忘了订阅，每周获取更新!!