MLP-Mixer: An all-MLP Architecture for Vision

目录

• 概
• 主要内容
• 代码

Tolstlkhin I., Houlsby N., Kolesnikov A., Beyer L., Zhai X., Unterthiner T., Yung J., Steiner A., Keysers D., Uszkoreit J., Lucic M., Dosovitskly A. MLP-mixer: an all-mlp architecture for vision. In International Conference on Learning Representations (ICLR), 2021.

概

CNN, Transformer, 现在直接用全连接层就可以了. 真的乱.

主要内容

如上图所示:

1. Input: 和ViT一样, 首先将图片切割成一个个patch, 然后通过全连接层将每个patch映射为其对于的embeddings:

   [X in mathbb{R}^{B imes T imes D}, ]

   其中(B)是batch size, (T)即为patches的数目, (D)便是图中channels的大小.

2. 将其通过Mixer Layer N次, 并经过global average pooling得到特征, 再通过全连接层得到logits.

3. 输出类别.

其中, Mixer Layer的流程如下(考虑一个batch):

1. 对每个patch进行独立的处理, 假设(x_i)为第(i)个patch(行向量):

   [u_i = x_i + sigma(mathrm{LayerNorm}(x_i)W_1) W_2. ]

2. 此时得到(U in mathbb{R}^{B imes T imes D}), 再假设(u_j in mathbb{R}^T)为第i个channel:

   [y_j = u_j + sigma(mathrm{LayerNorm}(u_j)W_3) W_4. ]

3. 最后得到输出(Y).

可以发现, MLP-Mixer 实际上将channel-wise和spatial-wise的操作拆分开来了, 这样即可获得很好的效果.

代码

原文代码