题目：Training data-efficient image transformers & distillation through attention

【GiantPandaCV导语】Deit是一个全Transformer的架构，没有使用任何的卷及操作。其核心是将蒸馏方法引入VIT的训练，引入了一种教师-学生的训练策略，提出了token-based distillation。有趣的是，这种训练策略使用卷积网络作为教师网络进行蒸馏，能够比使用transformer架构的网络作为教师取得更好的效果。

简介

之前的ViT需要现在JFT-300M大型数据集上预训练，然后在ImageNet-1K上训练才能得到出色的结果，但这借助了额外的数据。

ViT文中也表示：“do not generalize well when trained on insufficient amounts of data”数据量不足会导致ViT效果变差。

针对以上问题，Deit核心共享是使用了蒸馏策略，能够仅使用ImageNet-1K数据集就就可以达到83.1%的Top1。

文章贡献如下：

仅使用Transformer，不引入Conv的情况下也能达到SOTA效果。

提出了基于token蒸馏的策略，这种针对transformer的蒸馏方法可以超越原始的蒸馏方法。

Deit发现使用Convnet作为教师网络能够比使用Transformer架构取得更好的效果。

知识蒸馏

Knowledge Distillation（KD）最初被Hinton提出，与Label smoothing动机类似，但是KD生成soft label的方式是通过教师网络得到的。

KD可以视为将教师网络学到的信息压缩到学生网络中。还有一些工作“Circumventing outlier of autoaugment with knowledge distillation”则将KD视为数据增强方法的一种。

KD能够以soft的方式将归纳偏置传递给学生模型，Deit中使用Conv-Based架构作为教师网络，将局部性的假设通过蒸馏方式引入Transformer中，取得了不错的效果。

本文提出了两种KD:

Soft Distillation: 使用KL散度衡量教师网络和学生网络的输出，即Hinton提出的方法。

[mathcal{L}_{ ext {global }}=(1-lambda) mathcal{L}_{mathrm{CE}}left(psileft(Z_{mathrm{s}}ight), yight)+lambda au^{2} mathrm{KL}left(psileft(Z_{mathrm{s}} / auight), psileft(Z_{mathrm{t}} / auight)ight)
]

其中(Z_s，Z_t)分别代表学生网络的logits输出和教师网络的logits输出。

Hard-label Distillation: 本文提出的一个KD变体，将教师网络得到的hard输出作为label，即(y_t=argmax_cZ_t(c))，该方法是无需调参的。

[mathcal{L}_{ ext {global }}^{ ext {hardDistill }}=frac{1}{2} mathcal{L}_{mathrm{CE}}left(psileft(Z_{s}ight), yight)+frac{1}{2} mathcal{L}_{mathrm{CE}}left(psileft(Z_{s}ight), y_{mathrm{t}}ight)
]

Deit蒸馏过程

在ViT架构基础上引入了Distillation token，其地位与Class token相等，并且参与了整体信息的交互过程。

Distillation token让模型从教师模型输出中学习，文章发现：

最初class token和distillation token区别很大，余弦相似度为0.06

随着class 和 distillation embedding互相传播和学习，通过网络逐渐变得相似，到最后一层，余弦相似度为0.93

实验

Deit模型follow了Vision Transformer的设置，训练策略有所不同，仅使用Linear classifier，而不是用MLP head。

本文提出了Deit的系列模型：

Deit-B：代表与ViT-B有相同架构的模型

Deit-B|384 : 代表对Deit-B进行finetune，分辨率提升到384

Deit-S/Deit-Ti：更小的模型，修改了head数量。

实验1： 选取不同教师网络的效果

可以发现使用RegNet作为教师网络可以取得更好的性能表现，Transformer可以通过蒸馏来继承归纳偏差。

同时还可以发现，学生网络可以取得超越老师的性能，能够在准确率和吞吐量权衡方面做的更好。

PS:不太明白这里对比的时候为何不选取ViT-H(88.5%top1)作为教师模型？

实验2： 测试不同蒸馏方法

实验证明：hard-label distillation能够取得更好的结果。

实验3： 与SOTA模型进行比较

训练细节

使用truncated normal distribution来进行初始化

soft蒸馏参数：( au=3,lambda=0.1)

数据增强：Autoaugment,Rand-augment,random erasing,Cutmix,Mixup,Label Smoothing等

训练300个epoch需要花费37个小时，使用两个GPU

回顾

问: 为什么不同架构之间也可以蒸馏？蒸馏能够将局部性引入transformer架构吗？

答：教师模型能够将归纳偏置以soft的方式传递给学生模型。

问: 性能增强归功于蒸馏 or 复杂度数据增强方法？

答：蒸馏策略是有效的，但是相比ViT，Deit确实引入了非常多的数据增强方法，直接与ViT比较还是不够公平的。Deit测试了多种数据增强方法，发现大部分数据增强方法能够提高性能，这还是可以理解为Transformer缺少归纳偏置，所以需要大量数据+数据增强。

代码改变世界