Training free Transformer Architecture Search

juanpingzhao

已于 2023-03-27 21:44:17 修改

阅读量452

点赞数 1

文章标签： transformer 深度学习人工智能机器学习

于 2023-03-26 20:43:11 首次发布

本文链接：https://blog.csdn.net/juanpingzhao/article/details/129778184

版权

这篇文章简称为TF-TAS, 首次通过Zero Shot NAS方式实现 ViT (Vision Transformer) 结构搜索。

文章作者来自腾讯优图、厦门大学、鹏城实验室等机构，是2022年CVPR的一篇oral论文。

CVPR原论文：https://openaccess.thecvf.com/content/CVPR2022/html/Zhou_Training-Free_Transformer_Architecture_Search_CVPR_2022_paper.html

开源代码：https://github.com/decemberzhou/TF_TAS

研究背景

ViT 已经在CV和NLP领域展现出了很优越的性能，但其性能和算力等仍然与模型结构息息相关，因此，研究人员们通过自动搜索的手段去寻找更好的ViT。

在此之前已经有一些通过NAS (Neural Architecture Search)的方式去搜索到性能表现更佳的ViT结构，但是仍然存在以下几方面问题：

模型搜索非常耗时，搜索效率不高
由于ViT网络结构与CNN的结构存在较大差异，导致上述方法无法直接移植到ViT结构到高效搜索中；
因此，有必要研究针对ViT高效搜索的zero-cost score，从而实现Zero Shot NAS 在ViT搜索中的技术突破。

Zero Shot NAS 因其在搜索过程中无需训练模型，在网络结构搜索中表现出了异常高效的搜索特点，个人认为在实际项目中潜力非常大，但这类方法的普适性不够高，通常需要针对不同的模型结构或任务设计不同的zero-cost proxy。

与此同时，针对任何网络结构/任务设计的zero-cost proxy 必须同时满足以下两个条件：

必须能够与搜索的目标成正相关关系
必须能够加速模型/结构评估效率

本文方法

前人研究表明，ViT模型中存在两个重要的结构，分别是MSA (multi-head self-attention)和MLP (multi- layer perceptron)。作者重点对这两个结构进行分析，试图找到能够量化zero-cost score的评估方式。图2(a)是作者给出的MSA和MLP zero-cost score 和模型精确度一致性评估情况，试验结果显示kentall系数为0.65，因此证明本文提出的代理分数与精确度的一致性是可接受的。

MSA结构分析

从 AutoFormer 搜索空间中随机抽样 5 个 ViT 架构，分析 MSA 和 MLP 对剪枝的敏感性

图2(b)和图2(c)分别是2个ViT模型对pruning的敏感度的分析。不难从这两幅图中看出：MLP对pruning更加敏感，相反地，MSA结构对pruning rate相对不敏感。这也就意味着MSA的权重参数冗余度更高，因此，MSA模块中参数矩阵的秩对网络性能的影响非常重要。

另外，从已有的研究工作中可知：MSA 模块学到的特征表示比较容易存在秩崩溃（rank collapse）的现象。并且随着输入在网络中前向传播和深度的不断加深，ViT 中 MSA 的输出会逐渐收敛到秩为 1、并最终退化为一个秩为 1 的矩阵（每一行的值不变，即多样性出现稀疏的情况）。秩崩溃意味着 ViT 模型效果很差。因此，我们可以通过估计秩崩溃的程度来推测 ViT 模型的效果。

直接计算MSA参数矩阵的秩存在计算量大的问题，这不利于网络结构搜索，也在某种程度上违背了本文的初衷。

为了加速计算，作者利用 MSA 权重矩阵的核范数近似其秩作为多样性指标。理论上，当权重矩阵的 Frobenius 范数（F 范数）满足一定条件时，权重矩阵的核范数可视为其秩的等价替换。具体计算公式为：

$\large D_{\text{MSA}}^{l} = \sum_{m} \left \| \frac{\partial L}{\partial W_m} \right \| \odot \left \| W_m \right \|_{nuc}$

上述公式为作者最终给出的第 $\large l$ 个MSA模块的衡量方式。

为了验证 MSA 的突触多样性与给定 ViT 架构的测试精度之间的正相关关系，研究者对从 AutoFormer 搜索空间中采样的 200 个 ViT 网络进行完整的训练，得到其对应的 MSA 模块的分类效果和突触多样性。它们之间的 Kentall’s τ 相关系数为 0.65，如下图 3a 所示。表明 MSA 的突触多样性与每个输入 ViT 架构的效果之间的正相关联系。

MLP结构分析

类似地，图2可以得出结论：MLP模块的冗余度相对较低，因此作者提出用权重参数的敏感度作为zero-cost score的衡量指标，具体的计算公式如下：

$\large S_{\text{MLP}}^l = \sum_n \frac{\partial L}{\partial W_n} \odot W_n$

DSS-indicator

DSS 指示器是MSA的突触多样性和MLP的显著性综合，具体计算公式为：

$\large S_{\text{DSS}} = \sum_l D_{\text{DSA}}^l + \sum_k S_{\text{MLP}}^k$

总的来说，TF-TAS的实施步骤依次是：

在ViT搜索空间内随机采样若干个子网络（通常会在1000左右，甚至更多）
计算采样到的每个子网络的DSS-indicator作为模型精度衡量指标
选取DSS-indicator最高的子网作为搜索出的最佳网络
重新训练该子网络得到最终模型
测试模型精确度

实验验证

数据集

ImageNet, CIFAR10/CIFAR100, COCO2017

搜索阶段

网络权重随机初始化，随机采样8000个子网络，输入为全1的数据，找到DSS-indicator最高的网络结构作为搜索得到的结构。

重新训练阶段

参考AutoFormer的训练配置。

结论

本文提出了面向ViT模型性能评估的DSS-indicator作为zero-cost proxy，实现了无需训练即可搜索的ViT搜索方法。

从结果来看，经过搜索和重新训练之后，模型在保持SOTA精确度的情况下，能够达到约50X的搜索效率提升。这个搜索的效率还是很惊人的，从下图可以看出具体搜索时长对比：24 vs. 0.5 GPU days。

论文中还有其他实验结果来证明该结论，具体请参考作者原论文。

juanpingzhao

关注

1
点赞
踩
5

收藏

觉得还不错? 一键收藏
1
评论
Training free Transformer Architecture Search

这篇文章简称为TF-TAS, 首次通过Zero Shot NAS方式实现 ViT (Vision Transformer) 结构的高效搜索。
复制链接

扫一扫