一、概要最近Pure transformers在视觉任务方面显示出巨大的潜力。然而它们在中小数据集中的准确性并不令人满意。尽管一些现有方法引入了CNN作为教师通过蒸馏来指导训练过程但教师和学生网络之间的差距将导致次优绩效。在这项工作中研究员提出了一种新的具有在线蒸馏的One-shot Vision transformer搜索框架即OVO。OVO对教师和学生网络的子网进行采样以获得更好的蒸馏结果。得益于在线蒸馏超网中的数千个子网训练有素无需额外的微调或再训练。在实验中OVO Ti在ImageNet和CIFAR-100上分别达到73.32%和75.2%的top-1精度。二、ViT超网训练的困境在AutoFormer中的超网训练期间在每个训练迭代中均匀地采样子网αα1。。。αi。。。αl。采样权重ww1。。。wi。。。wl被更新而其余部分被冻结。然而超网训练对于ViT来说并不稳定每个超网需要很长的训练周期500个周期才能获得其组装子网的满意性能。其他方法使用三明治采样策略对多个子网络包括最大、最小和两个随机选择进行采样然后将每个小批次的梯度聚集在一起。当采用三明治采样策略时超网训练的计算成本更高。三、超网在线蒸馏训练当训练教师和学生网络时研究者在[Single path one-shot neural architecture search with uniform sampling]中提出的每次迭代中更新一个随机采样的子网络。使用GT标签训练来自教师超网络的子网络同时使用KD训练采样的学生网络。配备在线蒸馏一次性NAS能够以高效和有效的方式搜索Transform架构。与经典的一次性NAS方法相比新提出的方法有两个优点。1 更快的收敛。来自CNN的知识提供了电感偏置这有助于每个Transform块比之前的独立训练更快地收敛。2 更好的子网性能。通过在线蒸馏训练的子网可以在中小数据集上获得更好的性能。四、Search Pipeline在超网完成训练后进行进化搜索以最大化分类精度选择子网络。在进化搜索开始时随机抽取N个架构作为种子。所有子网络都基于从超网继承的权重在验证数据集上进行评估。选择前k个架构作为父代通过交叉和变异生成下一代。对于交叉两个随机选择的父网络交叉以在每一代中产生一个新网络。当进行突变时父网络首先以概率Pd对其深度进行突变然后以概率Pm对每个块进行突变以产生新的架构。五、实验将搜索到的最优模型的性能与ImageNet上最先进的CNN和ViT的性能进行了比较。在ImageNet-1K上训练OVO的超集合并使用指定的参数大小搜索目标Transform模型。在超网完成训练后子网直接继承权重而无需额外的再训练和其他后处理。下表中报告了性能。很明显OVO比其他最先进的模型具有更高的精度。最后的最后感谢你们的阅读和喜欢我收藏了很多技术干货可以共享给喜欢我文章的朋友们如果你肯花时间沉下心去学习它们一定能帮到你。因为这个行业不同于其他行业知识体系实在是过于庞大知识更新也非常快。作为一个普通人无法全部学完所以我们在提升技术的时候首先需要明确一个目标然后制定好完整的计划同时找到好的学习方法这样才能更快的提升自己。这份完整版的大模型 AI 学习资料已经上传CSDN朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】大模型知识脑图为了成为更好的 AI大模型 开发者这里为大家提供了总的路线图。它的用处就在于你可以按照上面的知识点去找对应的学习资源保证自己学得较为全面。经典书籍阅读阅读AI大模型经典书籍可以帮助读者提高技术水平开拓视野掌握核心技术提高解决问题的能力同时也可以借鉴他人的经验。对于想要深入学习AI大模型开发的读者来说阅读经典书籍是非常有必要的。实战案例光学理论是没用的要学会跟着一起敲要动手实操才能将自己的所学运用到实际当中去这时候可以搞点实战案例来学习。面试资料我们学习AI大模型必然是想找到高薪的工作下面这些面试题都是总结当前最新、最热、最高频的面试题并且每道题都有详细的答案面试前刷完这套面试题资料小小offer不在话下640套AI大模型报告合集这套包含640份报告的合集涵盖了AI大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师还是对AI大模型感兴趣的爱好者这套报告合集都将为您提供宝贵的信息和启示。这份完整版的大模型 AI 学习资料已经上传CSDN朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】
一、概要最近Pure transformers在视觉任务方面显示出巨大的潜力。然而它们在中小数据集中的准确性并不令人满意。尽管一些现有方法引入了CNN作为教师通过蒸馏来指导训练过程但教师和学生网络之间的差距将导致次优绩效。在这项工作中研究员提出了一种新的具有在线蒸馏的One-shot Vision transformer搜索框架即OVO。OVO对教师和学生网络的子网进行采样以获得更好的蒸馏结果。得益于在线蒸馏超网中的数千个子网训练有素无需额外的微调或再训练。在实验中OVO Ti在ImageNet和CIFAR-100上分别达到73.32%和75.2%的top-1精度。二、ViT超网训练的困境在AutoFormer中的超网训练期间在每个训练迭代中均匀地采样子网αα1。。。αi。。。αl。采样权重ww1。。。wi。。。wl被更新而其余部分被冻结。然而超网训练对于ViT来说并不稳定每个超网需要很长的训练周期500个周期才能获得其组装子网的满意性能。其他方法使用三明治采样策略对多个子网络包括最大、最小和两个随机选择进行采样然后将每个小批次的梯度聚集在一起。当采用三明治采样策略时超网训练的计算成本更高。三、超网在线蒸馏训练当训练教师和学生网络时研究者在[Single path one-shot neural architecture search with uniform sampling]中提出的每次迭代中更新一个随机采样的子网络。使用GT标签训练来自教师超网络的子网络同时使用KD训练采样的学生网络。配备在线蒸馏一次性NAS能够以高效和有效的方式搜索Transform架构。与经典的一次性NAS方法相比新提出的方法有两个优点。1 更快的收敛。来自CNN的知识提供了电感偏置这有助于每个Transform块比之前的独立训练更快地收敛。2 更好的子网性能。通过在线蒸馏训练的子网可以在中小数据集上获得更好的性能。四、Search Pipeline在超网完成训练后进行进化搜索以最大化分类精度选择子网络。在进化搜索开始时随机抽取N个架构作为种子。所有子网络都基于从超网继承的权重在验证数据集上进行评估。选择前k个架构作为父代通过交叉和变异生成下一代。对于交叉两个随机选择的父网络交叉以在每一代中产生一个新网络。当进行突变时父网络首先以概率Pd对其深度进行突变然后以概率Pm对每个块进行突变以产生新的架构。五、实验将搜索到的最优模型的性能与ImageNet上最先进的CNN和ViT的性能进行了比较。在ImageNet-1K上训练OVO的超集合并使用指定的参数大小搜索目标Transform模型。在超网完成训练后子网直接继承权重而无需额外的再训练和其他后处理。下表中报告了性能。很明显OVO比其他最先进的模型具有更高的精度。最后的最后感谢你们的阅读和喜欢我收藏了很多技术干货可以共享给喜欢我文章的朋友们如果你肯花时间沉下心去学习它们一定能帮到你。因为这个行业不同于其他行业知识体系实在是过于庞大知识更新也非常快。作为一个普通人无法全部学完所以我们在提升技术的时候首先需要明确一个目标然后制定好完整的计划同时找到好的学习方法这样才能更快的提升自己。这份完整版的大模型 AI 学习资料已经上传CSDN朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】大模型知识脑图为了成为更好的 AI大模型 开发者这里为大家提供了总的路线图。它的用处就在于你可以按照上面的知识点去找对应的学习资源保证自己学得较为全面。经典书籍阅读阅读AI大模型经典书籍可以帮助读者提高技术水平开拓视野掌握核心技术提高解决问题的能力同时也可以借鉴他人的经验。对于想要深入学习AI大模型开发的读者来说阅读经典书籍是非常有必要的。实战案例光学理论是没用的要学会跟着一起敲要动手实操才能将自己的所学运用到实际当中去这时候可以搞点实战案例来学习。面试资料我们学习AI大模型必然是想找到高薪的工作下面这些面试题都是总结当前最新、最热、最高频的面试题并且每道题都有详细的答案面试前刷完这套面试题资料小小offer不在话下640套AI大模型报告合集这套包含640份报告的合集涵盖了AI大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师还是对AI大模型感兴趣的爱好者这套报告合集都将为您提供宝贵的信息和启示。这份完整版的大模型 AI 学习资料已经上传CSDN朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】
