1、背景
在GPT等大模型出现后，语言模型这种Transformer+自回归建模的方式，也就是预测next token的预训练任务，取得了非常大的成功。那么，这种自回归建模方式能不能在视觉模型上取得比较好的效果呢？今天介绍的这篇文章，就是Apple近期发表的基于Transformer+自回归预训练的方式训练视觉模型的文章，下面给大家展开介绍一下这篇工作。
图片
论文标题：Scalable Pre-training of Large Autoregressive Image Models
下载地址：https://arxiv.org/pdf/2401.08541v1.pdf
开源代码：https://github.com/apple/ml-aim
2、模型结构
模型结构基于Transformer，并采用语言模型中的next token prediction作为优化目标。主要修改有三个方面。首先，与ViT不同，本文采用GPT的单向attention，即每个位置的元素只与前面的元素计算attention。其次，我们引入了更多的上下文信息，以提高模型的语言理解能力。最后，我们优化了模型的参数设置，以进一步提升性能。通过这些改进，我们的模型在语言任务上取得了显著的性能提升。
图片
在Transformer模型中，引入了一个新的机制，即在输入序列前面加入了多个prefix token。这些token采用了双向attention机制。这一变化的主要目的是为了增强预训练和下游应用之间的一致性。在下游任务中，类似于ViT的双向attention方法被广泛使用。通过在预训练过程中引入prefix双向attention，模型可以更好地适应各种下游任务的需求。这样的改进可以提高模型的性能和泛化能力。
图片
在模型最终输出MLP层的优化方面，原先的预训练方法通常会丢弃掉MLP层，并在下游任务中使用一个全新的MLP。这是为了避免预训练的MLP过于偏向预训练任务，导致下游任务的效果下降。然而，在本文中，作者提出了一种新的方法。他们对每个patch都使用一个独立的MLP，同时也采用了各个patch的表征与attention融合的方式来代替传统的pooling操作。这样一来，预训练的MLP head在下游任务中的可用性得到了提升。通过这种方法，作者能够更好地保留图像整体的信息，并且避免了过度依赖预训练任务的问题。这对于提高模型的泛化能力和适应性非常有帮助。
在优化目标上，文中尝试了两种方法，第一种是直接拟合patch像素，用MSE进行预测。第二种是提前对图像patch进行tokenize，转换成分类任务，用交叉熵损失。不过在文中后续的消融实验中发现，第二种方法虽然也可以让模型正常训练，但是效果并不如基于像素粒度MSE的效果更好。
3、实验结果
文中的实验部分详细分析了这种基于自回归的图像模型的效果，以及各个部分对于效果的影响。
首先，随着训练的进行，下游的图像分类任务效果越来越好了，说明这种预训练方式确实能学到良好的图像表征信息。
图片
在训练数据上，使用小数据集的训练会导致overfitting，而使用DFN-2B虽然最开始验证集loss较大，但是没有明显的过拟合问题。
图片
对于模型各个模块的设计方式，文中也进行了详细的消融实验分析。
图片
在最终的效果对比上，AIM取得了非常不错的效果，这也验证了这种自回归的预训练方式在图像上也是可用的，可能会成为后续图像大模型预训练的一种主要方式。
图片
