威力|颜水成发了个“简单到尴尬”的模型证明Transformer威力源自架构

梦晨发自凹非寺
量子位报道 | 公众号 QbitAI
Transformer做视觉取得巨大成功，各大变体频频刷榜，其中谁是最强？
早期人们认为是其中的注意力机制贡献最大，对注意力模块做了很多改进。
后续研究又发现不用注意力换成Spatial MLP效果也很好，甚至使用傅立叶变换模块也能保留97%的性能。
争议之下，颜水成团队的最新论文给出一个不同观点：
其实这些具体模块并不重要，Transformer的成功来自其整体架构。

他们把Transformer中的注意力模块替换成了简单的空间池化算子，新模型命名为PoolFormer。
这里原文的说法很有意思，“简单到让人尴尬”……

测试结果上，PoolFormer在ImageNet-1K上获得了82.1%的top-1精度。
（PyTorch版代码已随论文一起发布在GitHub上，地址可在这篇推文末尾处获取。）
同等参数规模下，简单池化模型超过了一些经过调优的使用注意力（如DeiT）或MLP模块（如ResMLP）的模型。

这个结果让一些围观的CVer直接惊掉下巴：

太好奇了，模型简单到什么样才能令人尴尬？
PoolFormer整体结构与其他模型类似，PoolFormer只是把token mixer部分换了一下。

因为主要验证视觉任务，所以假设输入数据的格式为通道优先，池化算子描述如下：

PyTorch风格的伪代码大概是这样：

池化算子的复杂度比自注意力和Spatial MLP要小，与要处理的序列长度呈线性关系。
其中也没有可学习的参数，所以可以采用类似传统CNN的分阶段方法来充分发挥性能，这次的模型分了4个阶段。
假设总共有L个PoolFormer块，那么4个阶段分配成L/6、L/6、L/2、L/6个。

每个阶段的具体参数如下：

PoolFormer基本情况介绍完毕，下面开始与其他模型做性能对比。
【威力|颜水成发了个“简单到尴尬”的模型证明Transformer威力源自架构】首先是图像分类任务，对比模型分为三类：