LAS:别再用平均池化层了！Meta AI把注意力塞到池化层，性能提升0.3_TerraClassicUSD

编辑：LRS

注意力机制这么好用，怎么不把它塞到卷积网络里？最近MetaAI的研究人员提出了一个基于注意力的池化层，仅仅把平均池化层替换掉，就能获得+0.3%的性能提升！

VisualTransformer作为计算机视觉领域的新兴霸主，已经在各个研究任务中逐渐替换掉了卷积神经网络CNN。

ViT与CNN之间存在着许多不同点，例如ViT的输入是imagepatch，而非像素；分类任务中，ViT是通过对类标记进行决策等等。

classtoken实际上是ViT论文原作者提出，用于整合模型输入信息的token。classtoken与每个patch进行信息交互后，模型就能了解到具体的分类信息。

并且在自注意力机制中，最后一层中的softmax可以作为注意力图，根据classtoken和不同patch之间的交互程度，就能够了解哪些patch对最终分类结果有影响及具体程度，也增加了模型可解释性。

但这种可解释性目前仍然是很弱的，因为patch和最后一层的softmax之间还隔着很多层和很多个header，信息之间的不断融合后，很难搞清楚最后一层softmax是否真的可以解释分类。

CRV现报价0.6245美元，24小时跌幅超15%:金色财经报道，数据显示，CRV（Curve DAO）现报价0.624515美元，24小时跌幅为15.4%。行情波动较大，请做好风险控制。

此前消息，Curve Finance称由于Vyper部分版本出现故障，一些稳定币池遭到攻击。安全机构BlockSec称初步分析Curve被攻击导致损失总额超过4200万美元。[2023/7/31 16:08:13]

所以如果ViT和CNN一样有视觉属性就好了！

最近MetaAI就提出了一个新模型，用attentionmap来增强卷积神经网络，说简单点，其实就是用了一个基于注意力的层来取代常用的平均池化层。

仔细一想，池化层和attention好像确实很配啊，都是对输入信息的加权平均进行整合。加入了注意力机制以后的池化层，可以明确地显示出不同patch所占的权重。

Cream Finance已上调KP3R抵押系数至45%:12月14日，DeFi平台Cream Finance官方宣布，针对上调KP3R的抵押系数相关投票已获通过，并已被执行。现在KP3R的抵押系数已从0%上调至45%。[2020/12/15 15:16:40]

并且与经典ViT相比，每个patch都会获得一个单一的权重，无需考虑多层和多头的影响，这样就可以用一个简单的方法达到对注意力可视化的目的了。

在分类任务中更神奇，如果对每个类别使用不同颜色进行单独标记的话，就会发现分类任务也能识别出图片中的不同物体。

基于Attention的池化层

文章中新提出的模型叫做PatchConvNet，核心组件就是可学习的、基于attention的池化层。

声音 | Morgan Creek创始人：2018年熊市使比特币比以往更强劲:Morgan Creek创始人Anthony Pompliano发推文称，比特币的市值突破了2000亿美元，2018年的熊市让比特币比以往更加强劲。[2019/6/26]

模型架构的主干是一个卷积网络，相当于是一个轻量级的预处理操作，它的作用就是把图像像素进行分割，并映射为一组向量，和ViT中patchextraction操作对应。

最近也有研究表明，采用卷积的预处理能让模型的性能更加稳定。

模型的第二部分column，包含了整个模型中的大部分层、参数和计算量，它由N个堆叠的残差卷积块组成。每个块由一个归一化、1*1卷积，3*3卷积用来做空间处理，一个squeeze-and-excitation层用于混合通道特征，最后在残差连接前加入一个1*1的卷积。

Glassnode：Uniswap团队可能在团队代币分配方面误导了社区:金色财经报道，Glassnode最近发布的文章对Uniswap的去中心化提出了质疑，同时暗示该平台的开发人员可能在团队如何分配UNI代币方面误导了社区。Glassnode称，Uniswap的团队、投资者和顾问已经分配了所有UNI代币中的40%，其中21.51%分配给了投资者和顾问。然而，这些代币的分发本应持续4年，目前缺乏一个公开的时间表。团队和投资者的代币似乎也没有被锁定。Glassnode还批评了该项目的治理，其指出，如果要提交提案，一个人必须拥有UNI全部供应量的至少1％。但是，由于尚未释放全部供应，此阈值实际上是当前循环供应的8％。[2020/9/25]

研究人员对模型块的选择也提出了一些建议，例如在batchsize够大的情况下，BatchNorm往往效果比LayerNorm更好。但训练大模型或者高分辨率的图像输入时，由于batchsize更小，所以BatchNorm在这种情况下就不太实用了。

Glassnode联合创始人：比特币HODLer们比以往任何时候都更加看涨:数据显示，比特币HODLer们——专注于长期持有比特币的一类投资者——比以往任何时候都更加看涨。6月27日，加密数据分析平台Glassnode联合创始人Rafael Schultze-Kraft在推特上分享了关于这个主题的观点，试图强调为什么链上数据显示比特币“长期极为看涨”。Rafael Schultze-Kraft发表此观点的基本前提是，HODLer持有的比特币越多，潜在的抛售压力就越小。

以下是他的一些观点，这些观点都得到了链上数据和图表的支持：

- 在所有流通的比特币中，有61%的比特币一年多没有移动；

- “平均每年Coin Days Destroyed（每天消失的币龄，即比特币交易数量乘以上次交易后滞留的天数）一直在减少，目前处于2016年以来的最低水平。”这表明存在更多的长期持有者；

- 在过去的几年里，交易所钱包持有的比特币数量急剧下降；

- 被认为属于HODLer的地址正在增加持有比特币，而不是出售。（Bitcoinist）[2020/6/28]

下一个模块就是基于注意力的池化层了。

在主干模型的输出端，预处理后的向量通过类似Transformer的交叉注意力层的方式进行融合。

注意力层中的每个权重值取决于预测patch与可训练向量之间的相似度，结果和经典ViT中的classtoken类似。

然后将产生的d维向量添加到CLS向量中，并经过一个前馈网络处理。

与之前提出的class-attentiondecoder不同之处在于，研究人员仅仅只用一个block和一个head，大幅度简化了计算量，也能够避免多个block和head之间互相影响，从而导致注意力权重失真。

因此，classtoken和预处理patch之间的通信只发生在一个softmax中，直接反映了池化操作者如何对每个patch进行加权。

也可以通过将CLS向量替换为k×d矩阵来对每个类别的attentionmap进行归一化处理，这样就可以看出每个块和每个类别之间的关联程度。

但这种设计也会增加内存的峰值使用量，并且会使网络的优化更加复杂。通常只在微调优化的阶段以一个小的学习率和小batchsize来规避这类问题。

实验结果

在图像分类任务上，研究人员首先将模型与ImageNet1k和ImageNet-v2上的其他模型从参数量，FLOPS，峰值内存用量和256张图像batchsize下的模型推理吞吐量上进行对比。

实验结果肯定是好的，可以看到PatchConvNet的简单柱状结构相比其他模型更加简便和易于扩展。对于高分辨率图像来说，不同模型可能会针对FLOPs和准确率进行不同的平衡，更大的模型肯定会取得更高的准确率，相应的吞吐量就会低一些。

在语义分割任务上，研究人员通过ADE20k数据集上的语义分割实验来评估模型，数据集中包括2万张训练图像和5千张验证图像，标签超过150个类别。由于PatchConvNet模型不是金字塔式的，所以模型只是用模型的最后一层输出和UpperNet的多层次网络输出，能够简化模型参数。研究结果显示，虽然PatchConvNet的结构更简单，但与最先进的Swin架构性能仍处于同一水平，并且在FLOPs-MIoU权衡方面优于XCiT。

在检测和实例分割上，研究人员在COCO数据集上对模型进行评估，实验结果显示PatchConvNet相比其他sota架构来说，能够在FLOPs和AP之间进行很好的权衡。

在消融实验中，为了验证架构问题，研究人员使用不同的架构对比了Transformer中的classattention和卷积神经网络的平均池化操作，还对比了卷积主干和线性投影之间的性能差别等等。实验结果可以看到卷积主干是模型取得最佳性能的关键，class-attention几乎没有带来额外的性能提升。

另一个重要的消融实验时attention-basedpooling和ConvNets之间的对比，研究人员惊奇地发现可学习的聚合函数甚至可以提高一个ResNet魔改后模型的性能。

通过把attention添加到ResNet50中，直接在Imagenet1k上获得了80.1%的最高准确率，比使用平均池化层的baseline模型提高了+0.3%的性能，并且attention-based只稍微增加了模型的FLOPs数量，从4.1B提升到4.6B。

参考资料：

https://arxiv.org/abs/2112.13692

标签：TTECLASSLASASSpolkadottedTerraClassicUSDReality Clash Coinethereum-classic

TUSD热门资讯