太長不看版，果然還是延續(xù)谷歌的風(fēng)格，創(chuàng)新不夠，實(shí)驗(yàn)來湊。

廢話不多說，直接上圖，一圖勝千言：

FlexiViT

顧名思義，F(xiàn)lexiViT，翻譯過來不就是靈活的 ViT 嘛？

Ooo，那怎么體現(xiàn)靈活？我們先回顧下 Vision Transformers 的工作流程。

一句話總結(jié)就是，ViT 是一種通過將圖像切割成一個個小方塊(patch)將圖像轉(zhuǎn)換為序列從而輸入到Transformer網(wǎng)絡(luò)進(jìn)行訓(xùn)練和推理的一種神經(jīng)網(wǎng)絡(luò)架構(gòu)。

本文的重點(diǎn)便是在研究這些小塊塊對性能的最終影響。通常來說：

方塊切的越小，精度會越高，但速度就變慢了；

方塊切的越大，精度會降低，但速度就上來了；

So,我們究竟是要做大做強(qiáng)，還是做小做精致？不用急，來自谷歌大腦的研究人員為你揭曉答案：成年人才做選擇，老子大小通吃。

正經(jīng)點(diǎn)，讓我們切回來，古哥通過燃燒了數(shù)不盡的卡路里向我們證明了，在訓(xùn)練期間隨機(jī)改變方塊的大小可以得到一組在廣泛的方塊大小范圍內(nèi)表現(xiàn)良好的權(quán)重（泛化性能好）。

這結(jié)論有什么用？那便是使得在部署時大家可以根據(jù)不同的計(jì)算預(yù)算來調(diào)整模型。

通過在以下五大版圖進(jìn)行廣泛的投資，可以清晰的發(fā)現(xiàn)收益率遠(yuǎn)超滬深300：

圖像分類

圖像-文本檢索

開放世界檢測

全景分割

語義分割

為了照顧下你們這些散(韭)戶(菜)，古哥說你們可以將它任意添加到大多數(shù)依賴ViT骨干架構(gòu)的模型來實(shí)現(xiàn)計(jì)算自由，即模型可以根據(jù)不同的計(jì)算資源調(diào)整自己的工作方式，從而獲得更好的性能和效率。

說了這么多，怎么做？直接把代號都發(fā)給你了，明天早盤直接梭哈即可：

看到看到這里了，總不能白嫖吧？點(diǎn)個贊友情轉(zhuǎn)發(fā)下再走咯~~~

審核編輯 ：李倩