如何评价谷歌用30亿数据训练的20亿参数ViT-G/14模型在 ImageNet 达到新的 SOTA？ 第1页

质朴的ViT is enough！

看了一下作者，和ViT模型是同名的，这个工作发布了包含20亿参数的vision transformer模型ViT-G/14，在ImageNet的Top-1可以达到90.45%，超过之前谷歌提出的 Meta Pseduo Labels模型：

但其实谷歌这篇论文的重点是研究vision transformer模型的scaling laws，在NLP领域已经有研究（Scaling laws for neural language models）给出了语言模型效果和 compute, data size, model size之间的指数定律，更有GPT-3这样成功的模型。虽然已经有论文研究（如EfficientNet）CNN模型的scaling strategy：模型增大提升效果。但是在CV领域还是缺少比较全面的研究，而且最近vision transformer的成功应用更是需要这样的工作。

在这篇论文中，实验模型参数从5M到2B，训练数据量从30M到3B，训练时长从1 TPUv3 core-day到10 000 core-days。这使得谷歌比较全面地研究ViT模型效果和model size，data size和compute之间的scaling laws。

论文中采用的是ViT模型，并增加了G/14这样超大的模型（接近2B)，不同大小的模型如下所示，主要区别在patch size以及transformer layer的参数配置。

在数据方面，谷歌又抛出重磅炸弹：JFT-3B，这个是JFT-300M的超大版本，包含接近30亿的图像，标注为包含30k类别的层级类别，由于采用半自动标注，所以标注是有噪音的。具体到训练模型，直接采用sigmoid cross-entropy损失训练多分类模型，忽略类别间层级关系。所有的测试数据均从JFT-3B中移除。

据此，实验分别改变architecture size，number of training images和training duration来测试模型的representation quality，具体可以用(i) few-shot transfer via training a linear classifier on frozen weights, (ii) transfer via fine-tuning the whole model on all data, both to multiple benchmark tasks来作为评价指标，下图是在ImageNet数据集上的结果：

最终的结论主要有三点：

• scaling up compute, model and data together improves representation quality：同时增大模型，训练数据和计算力是可以同步提升效果的，近似满足指数定律（log-log曲线是线性的）；
• representation quality can be bottlenecked by model size：模型大小会限制上限，小的模型即使用再大的数据集也难以继续提升；
• large models benefit from additional data, even beyond 1B images：对于大模型来说，训练数据会制约性能上限，对于最大的模型，训练数据量从1B提升至3B，效果还有提升。

虽然从实验看来，ViT模型也满足power law scaling定律，但是其实是double-saturating power law：对于最小的模型，其效果会比power law预测值要好，这是因为模型效果也有下限；而最大的模型即使给再多的训练数据和算力也不会达到0 error，模型也有上限。所以出现了双饱和。

除了上述结论，论文还发现了额外的结论：bigger models are more sample efficient，即大的模型需要更少的unseen数据就可以达到和小模型类似的效果，如下图所示：

最大的模型ViT-G/14，接近2B参数，在ImageNet上finetune后top-1 acc可达90.45%，而且在few-shot learning也表现优异，每个类只用10个图像训练就能在ImageNet上达到84.86%。

另外，在训练ViT模型，论文中还设计了一些训练策略来提升内存利用和模型效果，这些策略也使得ViT-G/14可以采用数据并行训练策略，这意味着ViT-G/14模型可以放在一张TPUv3 core。具体策略包括：

• Decoupled weight decay for the “head”：模型的head（分类的linear层）和模型的主体body部分采用不同的weight decay，论文中发现head采用较大的weight decay有助于迁移到下游任务（可能和SVM类似，拉大类间间距）；
• Saving memory by removing the [class] token：采用multihead attention pooling (MAP) 来替换class token，class token会使得TPU需要padding而增加50%内存使用；
• Memory-efficient optimizers：对于Adam优化器，采用half-precision momentum，并采用Adafactor优化器（进行了修改）来进一步减少内存使用；
• Learning-rate schedule：学习速率learning-rate schedules引入cooldown阶段（学习速率逐渐降为0），这样可以一次训练就可以得到不同训练时长的模型。

谷歌做这个实验的代价自然不必说，也有很多人在质疑这个研究的意义，但是论文也在最后给出了这个工作的意义，首先就是这个scaling laws做出来后对后续研究是有启发意义的：

First, such studies of scaling laws need only be performed once; future developers of ViT models may use our results to design models that can be trained with fewer compute resources.

此外，这个预训练模型可以迁移到其它任务：

Second, the models trained are designed primarily for transfer learning. Transfer of pre-trained weights is much less expensive than training from scratch on a downstream task, and typically reaches higher accuracy.

作为一个AI大厂，Google愿意烧这么多钱做这么大的work，我个人还是持肯定态度，它总不能天天盯着学术界那点小trick吧？

不过无论是OpenAI的CLIP，还是谷歌的ViT-G/14，其实都是在大规模有监督数据上训练的，而NLP是大规模无监督学习。我觉得这会是一个漫长过程。。