编辑丨机器之心

视觉模型有很大的提升空间，研究者们在以往的 LLM 中学到经验教训，认为扩展是一个很有前途的方法。来自谷歌的研究者将 ViT 扩展到 22B 参数量，这是迄今为止报道的最大的视觉主干。

与 自然语言处理 类似，对预训练视觉主干的迁移提高了模型在各种视觉任务上的性能。更大的数据集、可扩展的架构和新的训练方法都推动了模型性能的提升。

然而，视觉模型仍然远远落后于语言模型。具体来说，迄今为止最大的视觉模型 ViT 只有 4B 参数，而入门级语言模型通常超过 10B 参数，更别说具有 540B 参数的大型语言模型。

为了探索 AI 模型的性能极限，Google Research 最近在 CV 领域的一项研究，率先将 Vision Transformer 参数量扩展到了 22B，提出 ViT-22B，与之前类似的模型参数量 4B 相比，可以说这是迄今为止最大的稠密型 ViT 模型。

Scaling Vision Transformers to 22 Billion Parameters

论文：https://arxiv.org/abs/2302.05442

对比之前最大的 ViT- G 和 ViT-e，表 1 给出了比较结果，由下表可得，ViT-22B 主要是扩展了模型的宽度，使得参数量更大，深度和 ViT-G 一样。

当前的 ViT 大模型

正如这位知乎网友所说，难道是谷歌在 ChatGPT 上输了一局，势必要在 CV 领域争口气？

如何做到的？原来研究早期，他们发现在扩展 ViT 的过程中，出现了训练不稳定性，并且可能会带来架构变化。然后研究人员仔细设计模型，并且以前所未有的效率来实现模型并行训练。ViT-22B 的质量是通过一套全面的任务来评估的，从（少样本）分类到密集输出任务，在这些任务中，它达到或超过了当前 SOTA 水平。例如，即使用作冻结的视觉特征提取器，ViT-22B 在 ImageNet 上的准确率也达到了 89.5%。通过训练 text tower 来匹配这些视觉特征，它在 ImageNet 上实现了 85.9% 的零样本设置准确率。此外，该模型可以看作是一个教师，用作蒸馏目标，研究人员训练了一个 ViT-B 学生模型，在 ImageNet 上的准确率为 88.6%，达到了此类规模模型上 SOTA 水平。

模型架构

ViT-22B 是一种基于 Transformer 的编码器模型，类似于原始 Vision Transformer 架构，但包含以下三个主要修改，以提高效率和大规模训练的稳定性：并行层、查询 / 键（QK）归一化和 omitted biases。

并行层。正如 Wang 和 Komatsuzaki 研究所述，该研究设计了一个 Attention 和 MLP 并行结构：

这可以通过组合 MLP 和注意力块的线性投影来实现额外的并行化。值得注意的是，用于查询 / 键 / 值投影的矩阵乘法和 MLP 的第一线性层被融合到一个单独的操作中，对于 MLP 的注意力外投影和第二层线性层也是如此。

QK 归一化。训练大模型的一个困难是模型的稳定性，在将 ViT 扩展的过程中，研究人员发现在几千轮的 step 后训练损失呈发散性。特别是在 8B 参数的模型中这种现象尤为突出。为了稳定模型训练，研究人员采用 Gilmer 等人的方法，在点积注意力计算之前对查询和键应用 LayerNorm 归一化操作，以提升训练的稳定性。具体来说，注意力权重计算为：

omitted biases。在 PaLM 之后，偏置项从 QKV 投影中移除，并且所有的 Layernorm 都在没有偏置的情况下应用，从而提高了加速器的利用率 (3%)，且质量没有下降。然而，与 PaLM 不同的是，研究人员对 MLP 密集层使用了偏置项，即便如此，这种方式在兼顾质量的同时，速度没有下降。

图 2 展示了一个 ViT-22B 编码器块。嵌入层在原有 ViT 的基础上进行了 patch 提取、线性投影和添加位置嵌入等操作。研究人员使用多头注意力池化来聚合头中的每个 token 表示。

ViT-22B 使用 14 × 14 的 patch，图像分辨率为 224 × 224。ViT-22B 采用了一种学习到的一维位置嵌入。在对高分辨率图像进行微调期间，研究人员根据预训练的位置嵌入在原始图像中的位置执行二维插值。

训练基础设施与效率

ViT-22B 使用 FLAX 库，实现方式是 JAX，并在 Scenic 中构建。它同时利用了模型和数据并行性。值得一提的是，研究人员使用了 jax. xmap API，它提供了对所有中间体的分片（例如权重和激活）以及芯片间通信的显式控制。研究人员将芯片组织成大小为 t × k 的 2D 逻辑网格，其中 t 是数据平行轴的大小，k 是模型轴的大小。然后，对于 t 组中的每个组，k 个设备获得相同批次的图像，每个设备只保留 1/k 的激活，并负责计算所有线性层输出的 1/k（详细内容如下）。

图 3：异步并行线性操作（y = Ax）：跨设备的重叠通信和计算的模型并行矩阵乘法。

异步并行线性操作。为了最大限度地提高吞吐量，必须考虑计算和通信。也就是说，如果希望这些操作在分析上等效于未分片的情况，就必须尽可能少地进行通信，理想情况下让它们重叠，这样就可以保持矩阵乘法单元（FLOP 的大部分容量所在）始终处于繁忙状态。

参数分片。该模型在第一个轴上是数据并行的。每个参数可以在这个轴上完全复制，也可以让每个设备保存它的一个块。研究人员选择从模型参数中分割一些大张量，以便能够拟合更大的模型和批量大小。

使用这些技术，ViT-22B 在 TPUv4 上训练期间，每个核每秒处理 1.15k token。ViT-22B 的模型 flops 利用率（MFU）为 54.9%，表明硬件的使用非常有效。请注意，PaLM 报告的 MFU 为 46.2%，而研究人员在相同硬件上为 ViT-e（仅数据并行）测量的 MFU 为 44.0%。

实验结果

实验探究了 ViT-22B 用于图像分类的评估结果。

表 2 结果显示，ViT-22B 在各种指标上仍有显著的改善。此外，研究表明，像 ViT-22B 这样的大型模型的 Linear probing 可以接近或超过具有高分辨率的小型模型的 full fine-tuning 性能，通常成本更小、更容易做到。

研究进一步在细粒度分类数据集 iNaturalist 2017 上测试线性可分离性，将 ViT-22B 与其他 ViT 变体进行比较。研究测试了 224px 和 384px 的输入分辨率。结果如图 4。研究观察到 ViT-22B 明显优于其他 ViT 变体，特别是在标准的 224px 输入分辨率下。这表明 ViT-22B 中大量的参数对于从图像中提取详细信息是有用的。

表 3 显示了 ViT-22B 对 CLIP、ALIGN、BASIC、CoCa、LiT 模型的零样本迁移结果。表 3 底部比较了三个 ViT 模型性能。

在所有的 ImageNet 测试集中，ViT-22B 取得了相当或更好的结果。值得注意的是，ObjectNet 测试集上的零样本结果与 ViT 模型大小高度相关。最大的 ViT-22B 将新的 SOTA 设置在具有挑战性的 ObjectNet 测试集中。

Out-of-distribution （OOD）。研究构建了一个从 JFT 到 ImageNet 的标签映射，以及从 ImageNet 到不同分布外数据集的标签映射，即 ObjectNet、ImageNet-v2、ImageNet- R 和 ImageNet- A。

目前可以确认的结果是，与 ImageNet 上的改进一致，扩展模型增加了分布外性能。这适用于只看过 JFT 图像的模型，以及在 ImageNet 上进行微调的模型。在这两种情况下，ViT-22B 在更大的模型上都延续了 OOD 性能更好的趋势（图 5，表 11）。

此外，研究人员还研究了 ViT-22B 模型在语义分割和单目深度估计任务中捕获的几何和空间信息质量。

语义分割。研究人员在三个基准上评估 ViT-22B 作为语义分割主干：ADE20K、Pascal Context 和 Pascal VOC。从表 4 可以看出，当只看到少量分割掩码时，ViT-22B 主干迁移效果更好。

单目深度估计。表 5 总结了研究的主要发现。从最上面的行（DPT 解码器）中可以观察到，与不同的主干相比，使用 ViT-22B 特性产生了最好的性能（在所有指标上）。通过将 ViT-22B 主干与 ViT-e（一个较小的模型，但在与 ViT-22B 相同的数据上进行训练）进行比较，研究发现扩展架构可以提高性能。

此外，将 ViT-e 主干与 ViT-L（与 ViT-e 类似的架构，但训练的数据更少）进行比较，研究发现这些改进也来自于扩展训练前的数据。这些发现表明，更大的模型和更大的数据集都有助于提高性能。

该研究还在视频数据集上进行了探索。表 6 展示了在 Kinetics 400 和 Moments in Time 数据集上的视频分类结果，表明可以使用冻结的主干实现具有竞争力的结果。研究首先与 ViT-e 进行比较，ViT-e 拥有最大的先验视觉主干模型，由 40 亿个参数组成，并且也在 JFT 数据集上进行训练。我们观察到更大的 ViT-22B 模型在 Kinetics 400 上提高了 1.5 分，在 Moments in Time 上提高了 1.3 分。

最后研究注意到，通过完整的端到端微调，还有进一步改进的空间。

更多技术细节请参阅原论文。