Visual Prompt Tuning (VPT)

Abstract

只在输入空间中引入少量(小于1%的模型参数)可训练参数，同时保持模型主干不变。

在许多情况下，VPT甚至超越了模型容量和训练数据规模的全面微调，同时降低了每个任务的存储成本。

Introduction

常用技术：full fine-tuning，这种策略要求为每一个任务存储和部署一个独立的骨干参数副本。这是一个昂贵且通常不可行的命题，特别是对于现代的基于Transformer的体系结构

(a) 三种传统微调方法：Full fine-tuning, Head-oriented, and Backbone-oriented approaches

(b) VPT: 我们不是修改或微调预先训练的Transformer本身，而是修改对Transformer的输入

我们的方法只在输入空间中引入少量任务特定的可学习参数，而在下游训练时冻结整个预训练的Transformer骨干。在实践中，这些额外的参数只是预先添加到每个Transformer层的输入序列中，并在微调期间与线性头一起学习。

Related work

Adapters [64] and BitFit [5].

适配器[34]在每个Transformer层中插入额外的轻量级模块。一个适配器模块通常由一个线性向下投影、一个非线性激活函数和一个线性向上投影以及一个剩余连接组成[63,64]。[8]没有插入新的模块，而是在对ConvNets进行微调时，提出更新偏置项并冻结其余的骨干参数。BitFit[3]将该技术应用于变压器，并验证了其在LM调谐上的有效性。我们的研究表明，相对于前面提到的NLP中的两种完善的方法，VPT在适应Transformer模型的视觉任务方面提供了更好的性能。

prompt

treat the prompts as task-specific continuous vectors and directly optimize them via gradients during fine-tuning（最近的研究提出将提示符作为任务特定的连续向量，并在微调过程中通过梯度直接对其进行优化，即Prompt Tuning）

与完全微调相比，它获得了类似的性能，但使用了1000×less参数存储。

方法

VPT-Deep变体为Transformer编码器每层的输入预先设置一组可学习的参数；

VPT-Shallow变体则仅将提示参数插入第一层的输入。

两者在下游任务的训练过程中，只有特定于任务的提示和线性头的参数会更新，而整个Transformer编码器被冻结。

方法：在原有VIT的基础上增加可学习的token参数$P_0$，这部分的参数需要梯度，其余部分全部冻结

给定一个预训练的Transformer模型，我们在Embed层之后的输入空间中引入一组p个维数为d的连续嵌入，即提示符。在微调期间，只有特定于任务的提示被更新，而Transformer主干被冻结。

结论

作者提出了一种新的参数有效的方法，将大规模视觉Transformer模型广泛应用到下游任务，即VPT。它超越了其他的微调方法。