论文地址：https://arxiv.org/pdf/2305.07027.pdf项目代码：https://github.com/microsoft/Cream/tree/main/EfficientViT

01

总  述

在今天分享中，研究者提出了一个名为EfficientViT的高速Vision transformers家族。我们发现，现有transformer模型的速度通常受到内存低效操作的限制，特别是MHSA中的张量整形和逐元函数。因此，研究者设计了一种具有三明治布局的新构建块，即在有效的FFN层之间使用单个存储器绑定的MHSA，这在增强信道通信的同时提高了存储器效率。

此外，研究者发现注意力图在头部之间具有高度相似性，导致计算冗余。为了解决这一问题，提出了一种级联的组注意力模块，该模块为具有不同全特征分割的注意力头提供反馈，这不仅节省了计算成本，而且提高了注意力的多样性。

综合实验表明，EfficientViT优于现有的高效模型，在速度和准确性之间取得了良好的平衡。例如，EfficientViT-M5在精度上超过MobileNetV3 Large 1.9%，而在Nvidia V100 GPU和Intel Xeon CPU上的吞吐量分别高出40.4%和45.2%。与最近的高效型号MobileViT XXS相比，EfficientViT-M2实现了1.8%的卓越精度，同时在GPU/CPU上运行速度快5.8倍/3.7倍，转换为ONNX格式时速度快7.4倍。

02

 背景

最近有几项工作设计了轻便高效的Vision transformers模型。不幸的是，这些方法大多旨在减少模型参数或Flops，这是速度的间接指标，不能反映模型的实际推理吞吐量。例如，在Nvidia V100 GPU上，使用700M浮点的MobileViT XS比使用1220M浮点的DeiT-T运行得慢得多。尽管这些方法以较少的Flops或参数获得了良好的性能，但与标准同构或分级transformer（例如DeiT和Swin）相比，它们中的许多方法并没有显示出显著的壁时钟加速，并且没有得到广泛采用。

为了解决这个问题，研究者探讨了如何更快地使用Vision transformers，试图找到设计高效transformer架构的原则。基于主流的Vision transformers DeiT和Swin，系统地分析了影响模型推理速度的三个主要因素，包括内存访问、计算冗余和参数使用。特别是，发现transformer模型的速度通常是内存限制的。

基于这些分析和发现，研究者提出了一个新的存储器高效transformer模型家族，命名为EfficientViT。具体来说，设计了一个带有三明治布局的新块来构建模型。三明治布局块在FFN层之间应用单个存储器绑定的MHSA层。它减少了MHSA中内存绑定操作造成的时间成本，并应用了更多的FFN层来允许不同信道之间的通信，这更具内存效率。然后，提出了一种新的级联群注意力（CGA）模块来提高计算效率。其核心思想是增强输入注意力头部的特征的多样性。与之前对所有头部使用相同特征的自我注意不同，CGA为每个头部提供不同的输入分割，并将输出特征级联到头部之间。该模块不仅减少了多头关注中的计算冗余，而且通过增加网络深度来提高模型容量。

轻量级CNN和ViT模型吞吐量和精度对比的展示

最后但同样重要的是，通过扩大关键网络组件（如价值预测）的通道宽度来重新分配参数，同时缩小重要性较低的组件（如FFN中的隐藏维度）。这种重新分配最终提高了模型参数的效率。

03

 动机

Vision transformers加速

• Memory Efficiency

内存访问开销是影响模型速度的一个关键因素。Transformer中的许多运算符，如频繁的整形、元素相加和归一化，都是内存效率低下的，需要跨不同内存单元进行耗时的访问，如上图，尽管有一些方法通过简化标准softmax自注意的计算来解决这个问题，例如稀疏注意和低秩近似，但它们往往是以精度下降和加速度有限为代价的。

在这项工作中，研究者转而通过减少内存低效层来节省内存访问成本。最近的研究表明，内存低效操作主要位于MHSA层，而不是FFN层。然而，大多数现有的ViT使用相等数量的这两层，这可能无法实现最佳效率。因此，研究者探索了在具有快速推理的小模型中MHSA和FFN层的最优分配。具体而言，将Swin-T和DeiT-T缩减为几个推理吞吐量分别高1.25倍和1.5倍的小型子网络，并比较不同MHSA层比例的子网络的性能。

• Computation Efficiency

MHSA将输入序列嵌入到多个子空间（头）中，并分别计算注意力图，这已被证明在提高性能方面是有效的。然而，注意力图的计算成本很高，研究表明，其中一些并不重要。

为了节省计算成本，探讨如何减少小型ViT模型中的冗余注意力。以1.25×推理加速训练宽度缩小的Swin-T和DeiT-T模型，并测量每个头部和每个块内剩余头部的最大余弦相似性。从下图中，观察到注意力头部之间存在高度相似性，尤其是在最后一个块中。

这一现象表明，许多头部学习相同完整特征的相似投影，并产生计算冗余。为了明确鼓励头部学习不同的模式，应用了一种直观的解决方案，即只向每个头部提供完整特征的一部分，这类似于DeiT-T中的组卷积思想。用改进的MHSA训练缩小模型的变体，并计算图中的保持相似性。研究表明，在不同的头部中使用不同的通道分割特征，而不是像MHSA那样对所有头部使用相同的完整特征，可以有效地减少注意力计算冗余。

• Parameter Efficiency

典型的ViT主要继承了NLP transformer的设计策略，例如，使用Q、K、V投影的等效宽度，在阶段上增加水头，以及在FFN中将膨胀比设置为4。对于轻型车型，这些部件的配置需要仔细重新设计。受[Rethinking the value of network pruning]的启发，采用Taylor结构修剪来自动查找Swin-T和DeiT-T中的重要成分，并探索参数分配的基本原理。修剪方法在一定的重新源约束下去除不重要的通道，并保留最关键的通道以最好地保持准确性。它使用梯度和权重的乘积作为信道重要性，近似于去除信道时的损耗波动。

04

新框架

实验可视化

*博客内容为网友个人发布，仅代表博主个人观点，如有侵权请联系工作人员删除。