11.MOCO v3

paper链接：https://arxiv.org/abs/2104.02057

0.摘要

１．作者分析了训练self-supervised ViT过程中的一些现象，指出“训练过程的不稳定”是影响accuracy的一个主要的因素，但是这个因素也存在于一些看起来不错的结果里，所以往往是不容易被发现的。

２．基于对训练过程中梯度的观察，作者提出了一个简单的trick（use fixed random patch projection，即固定住ViT的patch projection层）用于提升稳定性。

1.详细

１．1 训练方式

重头戏主要在MoCo v3在详细ViT上的实验，这里简单总结如下：

• 遵寻moco　v2基本结构
  去除了momory bank，作者提出batch size足够大（大于4096）就不需要momory bank
  We abandon the memory queue [19], which we find has diminishing gain if the batch is sufficiently large (e.g., 4096). 　
  

1.2 实验结果

从实验结果来看，基于MoCo v3训练的ViT-BN-L/7模型（LN换成BN，patch size为7x7）在ImageNet linear probing protocol上取得了新的SOTA，超过Top-1 acc达到81.0%，超过79.8% with SimCLR v2 (SK-ResNet152-3×), and 79.6% with BYOL (ResNet200-2×)。这证明了ViT在无监督训练上的优势。

1.3 无监督训练过程中的instability

发现了ViT在无监督训练过程中的instability，这个训练不稳定并不会导致灾难性的性能骤降，而只是稍许的性能下降，这就比较难以察觉。batch size和lr会明显影响ViT训练的稳定性，比如batch size为6144时，从训练过程中的acc曲线可以看到会出现比较明显的“dips”，这就好像网络又重开始训练一样。虽然训练不稳定，但最终的效果为69.7，相比batch size为2048的72.6只掉了不到3个点。当lr过大时也会导致instability。

论文中进一步分析这个"dips"出现的原因，发现其实是训练过程中的梯度会出现陡峰造成的，而且发现first layer先出现，然后延迟一些iterations后last layer也出现梯度骤增。所以这种训练不稳定性是由于first layer造成的可能性比较大。

论文中提出的一种解决方案是，ViT采用a fixed random patch projection layer，这相当于这patch embedding是固定的，而不是训练得到的（其实对projection layer做gradient clip也是可以，但是最终发现需要设定一个极小的阈值，这就等价于freeze它了）。这个简单的trick可以解决部分这种训练的instability：

但这并没有本质解决这个问题，因为当lr过大时这种现象还是会出现的。

（3）尽管更大的ViT模型可以取得更好的效果，但是还是可以发现模型越来越大时会出现saturation的趋势，当然最简单的解决方案是喂给更多的数据。还有可能是基于instance discrimination的pretext task过于简单，还需要设计更好的pretext task。

（4）position embedding的影响：去除PE，在无监督训练过程去除PE，效果也下降了1个多点。在有监督训练中，去除PE的影响会更大一些，ViT论文中是报道掉了3个点以上。去除PE还能学习的这么好，说明ViT的学习能力很强，在没有位置信息的情况下就可以学习的很好；从另外一个角度来看，也说明ViT并没有充分利用好PE而取得更好的效果，具体是哪个原因还需要进一步的研究。最近的CPVT和CvT也提出引入卷积来去除PE。