谷歌最新提出无需卷积、注意力，纯MLP构成的视觉架构！网友：MLP is All You Need ？

原创三金、琰琰 AI科技评论今天

作者 | 耳洞打三金、琰琰

近日，谷歌大脑团队新出了一篇论文，题目为《MLP-Mixer: An all-MLP Architecture for Vision 》，这篇论文是原视觉Transformer（ViT）团队的一个纯MLP架构的尝试。

本文总结来说就是提出了一种仅仅需要多层感知机的框架——MLP-Mixer，无需卷积模块、注意力机制，即可达到与CNN、Transformer相媲美的图像分类性能。

下面是论文和链接：

论文链接：https://arxiv.org/pdf/2105.01601.pdf

近一年来，Transformer可真是太火了，把Transformer用在视觉领域真是屡试不爽，先是分类后是检测，等等等等，每次都是吊打ResNet，对CV任务“降维打击”，说句实话，每次Transformer在CV领域新的论文出来，别说是对AI从业者，哪怕是对刚刚小学毕业的三金我，对神经来说都是一种挑战：这咋又双叒叕超越了？

众所周知，CV领域主流架构的演变过程是 MLP->CNN->Transformer 。

难道现在要变成 MLP->CNN->Transformer->MLP ?

都说时尚是个圈，没想到你学术圈真的有一天也变成了学术“圈”。

那就先来看一下MLP-Mixer这个新框架吧，它不使用卷积或自注意力机制。相反，Mixer体系架构完全基于在空间位置或特征通道上重复应用的多层感知器（MLP），它只依赖基础的矩阵乘法操作、数据排布变换(比如reshape、transposition)以及非线性层。

下图展示了MLP-Mixer的整体结构：

首先，它的输入是一系列图像块的线性投影(其形状为patches x channels)，其次，Mixer使用两种类型的MLP层：

1、通道混合MLP（channel-mixing MLPs ）：用于不同通道之间进行通信，允许对每个token独立操作，即采用每一行作为输入。

2、token混合MLP（The token-mixing MLPs ）：用于不同空间位置（token）之间的通信；允许在每个通道上独立操作，即采用每一列作为输入。

以上两种类型的MLP层交替执行以实现两个输入维度的交互。

在极端情况下，MLP-Mixer架构可以看作一个特殊的CNN，它使用1×1通道混合的卷积，全感受域的单通道深度卷积以及token混合的参数共享。典型的CNN不是混合器的特例，卷积也比MLPs中的普通矩阵乘法更复杂（它需要额外的成本来减少矩阵乘法或专门实现）不过，尽管它很简单，MLP-Mixer还是取得了很不错的结果。

当对大型数据集进行预训练时（大约100万张图片），它达到了之前CNNs和Transformers在ImageNet上的最佳性能：87.94%的 top-1 验证准确率。当对1-10万张图片大小的数据集进行预训练时，结合现代正则化技术（ regularization techniques），Mixer同样取得了强大的性能。

Mixer 混合器架构

一般来讲，当今深度视觉体系结构采用三种方式进行特征混合：

（i）在给定的空间位置；

（ii）不同的空间位置之间；

（iii）将上述两种方式组合。

在CNNs中，（ii）是采用N× N进行卷积和池化，其中N>1；（i）采用1×1卷积；较大的核则同时执行（i）和（ii）。通常更深层次的神经元有更大的感受野。

在Transformer和其他注意力架构中，自注意力层允许同时执行（i）和（ii），而MLP只执行（i）。Mixer架构背后的思想是：通过MLP实现每个通道混合操作（i）和 token混合操作（ii）的显著分离。

在上图体系架构中，Mixer将序列长度为S的非重叠的图像块作为输入，每个图像块都投影到所需的隐层维度C，并产生一个二维实值输入X∈ RS×C。如果原始图像的分辨率为（H x W），每个图像块的分辨率为（P x P），那么图像块的数量则为S=HW/P2。所有的块都采用相同的投影矩阵进行线性投影。

Mixer由等尺寸的多层组成，每层有两个MLP块。第一个是token mixing MLP块：它作用于X的列，从RS映射到R S，可在所有列中共享。第二个是Channel-mixing MLP块：它作用于X的行，从Rc映射到 R C，可在所有行中共享。每个MLP块包含两个全连接层和一个独立于输入的非线性层。其基本方程如下：

图中，Ds Dc分别代表token-mixing与channel-mixing MLP中隐层宽度。由于Ds的选择独立于输入图像块的数量，因此，网络的计算复杂度与输入块的数量成线性关系；此外，Dc独立于块尺寸，整体计算量与图像的像素数成线性关系，这类似于CNN。

如上文所说，相同的通道混合MLP（或令牌混合MLP）应用于X的每一行和列，在每一层内绑定通道混合MLP的参数都是一种自然选择，它提供了位置不变性，这是卷积的一个显著特征。

不过，跨通道绑定参数的情况在CNN中并不常见。例如CNN中可分离卷积，将不同的卷积核独立应用于每个通道。而Mixer中的token 混合MLP可以对所有通道共享相同的核（即获得完全感受野）。通常来讲，当增加隐层维数C或序列长度S时，这种参数绑定可以避免体系架构增长过快，并且节省内存。令人没想到的是，这种绑定机制并没有影响性能。

Mixer中的每个层（除了初始块投影层）接收相同大小的输入。这种“各向同性”设计最类似于使用固定宽度的Transformer和RNN。这与大多数CNN不同，CNN具有金字塔结构：越深的层具有更低的分辨率，更多的通道。需要注意的是，以上是典型的设计，除此之外也存在其他组合，例如各向同性网状结构和金字塔状VIT。除了MLP层之外，Mixer还使用了其他标准的体系结构组件：Skip 连接和层规范化。

此外，与ViTs不同，Mixer不使用位置嵌入，因为token混合mlp对输入token的顺序敏感，因此可以学习表示位置。最后，Mixer使用一个标准的分类head和一个线性分类器。

更多实验结果和代码

下图是原论文附带的代码，很简单，只有43行。

网友评价

知乎网友@小小将表示：

FC is all you need, neither Conv nor Attention.
在数据和资源足够的情况下，或许inductive bias的模型反而成了束缚，还不如最simple的模型来的直接。

知乎网友@小赖sqLai 表示：

说白了就是patch内和patch间依次进行信息交换和整合，相比transformer其实缺了个动态的结构，也就是内容不可感知，有点过拟合的意思在里面。主观感觉，如果再补个patch内的attention和patch间的attention进去，差不多就能接近transformer了。

知乎网友@TniL 表示：

观察到两个趋势，不敢说是好还是坏：
1、以前的工作都努力在通用模型里加归纳偏置，用来减少参数优化需要的资源（数据、计算资源）；近期的（一批）工作在反其道行之，逐渐去先验化，让这部分bias通过大量数据学习出来。
2、以前的模型都讲究兼容变长数据，CNN、RNN、Xformer都有处理变长数据的能力，这使得它们非常通用，现在的一些模型（包括问题讨论的这篇）都assume输入的大小是固定的，直观上看不能算太通用的框架（所以不敢苟同MLP is all you need这种观点）。

知乎网友@mathfinder对原文方法的总结：