本文对按比例扩大的 nfnets 进行了评估，并挑战了 convnets 在大规模问题上表现不如 vits 的观点
深度学习的早期成功可归功于卷积神经网络（ConvNets）的发展。近十年来，ConvNets 主导了计算机视觉基准测试。然而近年来，它们越来越多地被 ViTs（Vision Transformers）所取代。
很多人认为，ConvNets 在小型或中等规模的数据集上表现良好，但在那种比较大的网络规模的数据集上却无法与 ViTs 相竞争。
同时，CV 社区已经从评估在特定数据集（如 ImageNet）上随机初始化网络的性能，转变为评估从网络收集的大型通用数据集上预训练的网络的性能。这引出了一个重要的问题：在相似的计算预算下，Vision Transformers 是否优于预先训练的 ConvNets 架构？
在这篇文章中，来自Google DeepMind的研究人员对这个问题进行了研究。他们通过在不同尺度的JFT-4B数据集上对多种NFNet模型进行预训练，获得了类似于ViTs在ImageNet上的性能
☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 免费无限量使用 DeepSeek R1 模型☜☜☜
论文链接地址：https://arxiv.org/pdf/2310.16764.pdf
本文的研究讨论了预训练计算预算在0.4k到110k TPU-v4核计算小时之间的情况，并利用增加NFNet模型家族的深度和宽度来进行一系列网络训练。研究发现，存在着 held out 损失与计算预算之间的对数-对数扩展率（scaling law）
例如，本文将以JFT-4B为基础，在TPU-v4核小时（核心小时）从0.4k扩展到110k，并对NFNet进行预训练。经过微调，最大的模型在ImageNet Top-1上达到了90.4％的准确率，在相同的计算预算下与预训练的ViT模型竞争
可以说，本文通过评估按比例扩大的 NFNets，挑战了 ConvNets 在大规模数据集上表现不如 ViTs 的观点。此外，在足够的数据和计算条件下，ConvNets 仍然具有竞争力，模型设计和资源比架构更重要。
看到这项研究后，图灵奖得主Yann LeCun表示：“在给定的计算量下，ViT和ConvNets在计算上是相当的。虽然ViTs在计算机视觉方面取得了令人印象深刻的成功，但在我看来，没有强有力的证据表明，在公平评估时，预训练的ViT优于预训练的ConvNets。”
然而，有网友对LeCun的评论表示，他认为在多模态模型中使用ViT可能仍然使其在研究中具有优势
来自 Google DeepMind 的研究员表示，ConvNets 永远不会消失
接下来我们看看论文具体内容。
预训练的 NFNets 遵循扩展定律
本文在 JFT-4B 上训练了一系列不同深度和宽度的 NFNet 模型。
根据图2所示，验证损失与训练模型的计算预算呈线性关系，与使用Transformer进行语言建模时观察到的双对数（log-log）扩展定律相符。随着计算预算的增加，最佳模型大小和最佳epoch预算（实现最低验证损失）也会增加
在下面的图表中，我们可以看到三个模型在一系列的 epoch 预算中观察到的最佳学习率（即最大程度地减少验证损失）。研究人员发现，对于较低的 epoch 预算，NFNet 系列模型都显示出类似的最佳学习率，约为1.6。然而，随着 epoch 预算的增加，最优学习率会下降，并且对于更大的模型，最优学习率下降得更快。研究人员表示，可以假设最优学习率会随着模型大小和 epoch 预算的增加而缓慢且单调地下降，因此在两次试验中可以有效地调整学习率
需要重新写的内容是：需要注意的是，图表2中一些预训练模型的表现不如预期。研究团队认为，出现这种情况的原因是如果训练运行被抢占/重新启动，数据加载流程无法保证每个训练样本在每个周期都能被采样一次。如果训练运行多次重新启动，则可能导致某些训练样本的采样次数不足
NFNet vs ViT
在ImageNet上进行的实验显示，经过微调的NFNet和Vision Transformer的性能相当
具体来说，该研究在 ImageNet 上微调了预训练 NFNet，并绘制了预训练计算与 Top-1 error 关系图，如上述图 1 所示。
随着预算的增加，ImageNet Top-1准确性持续提高。其中最昂贵的预训练模型是预训练8个epoch的NFNet-F7+，在ImageNet Top-1准确率达到了90.3%。预训练和微调需要大约110k TPU-v4核小时和1.6k TPU-v4核小时。此外，如果在微调期间引入额外的重复增强技术，可以实现90.4%的Top-1准确率。NFNet在大规模预训练中获得了很大的好处
尽管NFNet和ViT两种模型架构之间有明显的差异，但预训练的NFNet和预训练的ViT在性能上是相当的。例如，在对JFT-3B进行210k TPU-v3核小时的预训练后，ViT-g/14在ImageNet上实现了90.2%的Top-1准确率；而在对JFT-3B进行超过500k TPU-v3核小时的预训练后，ViT-G/14实现了90.45%的Top-1准确率
本文评估了这些模型在 TPU-v4 上的预训练速度，并估计 ViT-g/14 需要 120k TPU-v4 核小时来预训练，而 ViTG/14 则需要 280k TPU-v4 核小时数，SoViT-400m/14 将需要 130k TPU-v4 核小时数。本文使用这些估计来比较图 1 中 ViT 和 NFNet 的预训练效率。研究注意到，NFNet 针对 TPU-v4 进行了优化，在其他设备上评估时表现较差。
最终，本文注意到，在JFT-4B上，预训练的检查点实现了最低的验证损失，但在微调后，并不总能在ImageNet上实现最高的Top-1准确率。特别是，本文发现，在固定的预训练计算预算下，微调机制倾向于选择稍大的模型和稍小的epoch预算。直观上来说，更大的模型具有更大的容量，因此能够更好地适应新的任务。在某些情况下，稍大的学习率（在预训练期间）在微调后也能获得更好的性能
