很可惜 T 。T 您現在還不是作者身份，不能自主發(fā)稿哦～
如有投稿需求，請把文章發(fā)送到郵箱tougao@appcpx.com，一經錄用會有專人和您聯(lián)系
咨詢如何成為春羽作者請聯(lián)系：鳥哥筆記小羽毛（ngbjxym）
來源：Agent的潛意識
博觀約取，厚積薄發(fā)。
今天，我們繼續(xù)從patches出發(fā)，來看如何構建多尺度的視頻統(tǒng)一訓練范式。
Sora的技術報告里也明確說了，Spacetime Latent Patches 和 Variable durations, resolutions, aspect ratios 這兩段，講分辨率、時長、長寬比都可變。這個業(yè)界其實也有處理方法。我們來把這塊盤一下。
今天這個系列共三篇論文。
1.FlexiViT: One Model for All Patch Sizes。這篇文章講的是一個模型訓練多尺度patches。
論文：https://arxiv.org/abs/2212.08013。（谷歌）
代碼:
github.com/googleresearch/big_vision.
2.Efficient Sequence Packing Without Cross-Contamination: Accelerating Large Language Models Without Impacting Performance。這個文章講的是NLP里的長度不一的tokens序列打包一起訓練的事情。
論文：https://arxiv.org/abs/2107.02027。（Graphcore.ai）
3. Patch n’ Pack: NaViT, a Vision Transformer for any Aspect Ratio and Resolution。這篇文章借鑒了2的思想，講的是圖像patches序列如何打包一起訓練的事情。
論文：https://arxiv.org/abs/2307.06304. (google deepmind)
代碼：https://github.com/kyegomez/NaViT
前一篇文章我們講過， patches的來龍去脈
論文中，一張正方形圖片分成9份。這個分9份還是分4份還是分16份其實是一個超參數。這個超參數還很能影響算法效果的。這樣不難理解，分的越細你算法看的東西就越細，精度就高，但速度慢；分的粗，你算法看的東西就粗，蜻蜓點水的話，速度快，精度低。
關于這一點，論文中做對比分析的時候有一個經典的圖如上，對于分類類別為叉子這個任務，當grid即切割的patch尺寸為48的，響應區(qū)域我標紅框的地方比較大，相應的顏色為黃綠色的一塊區(qū)域；當grid為16時，基本就可以將相應區(qū)域定格在真正的叉子那一塊了。再小為8時基本沒有提升了。
這篇論文的核心思想文章中用了一行代碼表示：
在訓練構建batch數據的時候，隨機選一個尺寸（代碼中的np.random.choice ）來碼patches的序列串。這樣保證訓練的時候是多尺寸的，然后推理的時候也可以支持多尺寸，保證的訓練的輸入特征豐富性。從而提升效果。
整個pipeline如上圖所示。一張圖片可以分四份，也可以分9份，然后底層參數共享權重，保證訓練推理的一致性。4份的時間是1.6ms一張圖片，9份的是13ms。然后概率值也不一樣。
小結：
這篇文章中，輸入的原始圖片尺寸其實是沒有變的，都是正方形，只是切分的grid尺寸變了。因此跟sora里講的輸入原始圖片可以多尺寸不是一回事。但這篇文章告訴我們，grid要支持多種尺寸，這樣的更靈活精度可以更高。
這個文章是NLP領域的。本來跟sora沒關系。但是，我覺得視頻就是一個天然的序列，跟文本序列具有相似性，其次呢，這篇文章的思想是第三篇paper -NaviT的源頭，因此應該研究下。
這篇文章的核心思想其實非常簡單。因為我們需要把序列tokens對齊，如果一個數據集中，最長的序列是168，然后，那些短序列也需要填充空值到168，拿去模型中訓練，這樣的話，一方面模型訓練速度慢，另一方面收斂速度也慢。
解決方案是，如果一個序列長度是60，一個序列長度是100，那么這兩個序列湊到一起，然后只需要填充8個空值就組成了一個168的序列。那么照這樣組合，比如有1萬個序列，看如何組合使得組成的168序列的個數最少，這樣訓練速度就最快。這個就是一個啟發(fā)式經典裝箱的問題。論文給出了幾個算法。我覺得這些算法都很簡單的。就不講了。
剛才說的只是組團的問題，組完團后，還需要考慮訓練過程中attention的分組問題。
論文中也放出了代碼：
他用一個mask 來做標記。上圖中的矩陣，應該表達的是一個序列中，前三個patches是一組，后兩個patches是一組。
這篇論文總共50來頁，附錄里有詳細的分析和代碼。非常值得細嚼。不過我沒來得及看哈。
這應該是最接近sora的公開論文方法了。
這篇文章的native思想跟2 是相同的，就是對圖片的長度不一致來做分組，三兩個或者四五個圖片的patches組在一起成一個序列，跟訓練集中最長的序列相同長度（不夠就加點padding）然后拿去訓練。但他也還針對圖像問題做了些優(yōu)化。
整個pipeline都在這個圖里。我們來詳細講解這個圖。
這個圖需要從下往上看，第一部分，數據預處理的時候，長大于寬的圖片、寬大長的圖片、正方形圖片，都統(tǒng)一編碼為各不一致的patches，然后他做了一個隨機丟棄的token drop操作，這個操作就類比于經典CNN里面的dropout層。目的是提高算法的魯棒性的。預處理完后，把三張圖片生成的patches拉平為一個序列，不夠的地方用pad填充。
往上走第二部分self-attention部分，這部分講的是mask self attention，由于有mask 的作用，他可以分塊各算各的，就是三個圖片不要搞混在一起了。
往上走第三部分是pooling。這部分講的是將self-attention計算好的特征，通過mask pooling，各算各的。
整個論文講的就是圖片無論各種尺寸，只要是計算過程中加上mask，就在一個小模塊里可以單獨計算單獨處理，不影響整體的input shape 和 output shape。從而達到了多尺寸全分辨率統(tǒng)一訓練。
另外，由于他隨機丟棄了一些patches，因此算法的魯棒性和速度也變快了。
這篇文章我們全面盤點了如何構建一個輸入圖像多尺度多分辨率的統(tǒng)一訓練范式，同時也highlight了一下 FlexiViT。他也許是能提升算法精度的一個方法。
多看paper。勤敲代碼。臨淵羨魚，退而結網。不懼悲喜，只爭朝夕。
本文為作者獨立觀點，不代表鳥哥筆記立場，未經允許不得轉載。
《鳥哥筆記版權及免責申明》 如對文章、圖片、字體等版權有疑問，請點擊 反饋舉報
我們致力于提供一個高質量內容的交流平臺。為落實國家互聯(lián)網信息辦公室“依法管網、依法辦網、依法上網”的要求，為完善跟帖評論自律管理，為了保護用戶創(chuàng)造的內容、維護開放、真實、專業(yè)的平臺氛圍，我們團隊將依據本公約中的條款對注冊用戶和發(fā)布在本平臺的內容進行管理。平臺鼓勵用戶創(chuàng)作、發(fā)布優(yōu)質內容，同時也將采取必要措施管理違法、侵權或有其他不良影響的網絡信息。
一、根據《網絡信息內容生態(tài)治理規(guī)定》《中華人民共和國未成年人保護法》等法律法規(guī)，對以下違法、不良信息或存在危害的行為進行處理。
1. 違反法律法規(guī)的信息，主要表現為：
1)反對憲法所確定的基本原則；
2)危害國家安全，泄露國家秘密，顛覆國家政權，破壞國家統(tǒng)一，損害國家榮譽和利益；
3)侮辱、濫用英烈形象，歪曲、丑化、褻瀆、否定英雄烈士事跡和精神，以侮辱、誹謗或者其他方式侵害英雄烈士的姓名、肖像、名譽、榮譽；
4)宣揚恐怖主義、極端主義或者煽動實施恐怖活動、極端主義活動；
5)煽動民族仇恨、民族歧視，破壞民族團結；
6)破壞國家宗教政策，宣揚邪教和封建迷信；
7)散布謠言，擾亂社會秩序，破壞社會穩(wěn)定；
8)宣揚淫穢、色情、賭博、暴力、兇殺、恐怖或者教唆犯罪；
9)煽動非法集會、結社、游行、示威、聚眾擾亂社會秩序；
10)侮辱或者誹謗他人，侵害他人名譽、隱私和其他合法權益；
11)通過網絡以文字、圖片、音視頻等形式，對未成年人實施侮辱、誹謗、威脅或者惡意損害未成年人形象進行網絡欺凌的；
12)危害未成年人身心健康的；
13)含有法律、行政法規(guī)禁止的其他內容；
2. 不友善：不尊重用戶及其所貢獻內容的信息或行為。主要表現為：
1)輕蔑：貶低、輕視他人及其勞動成果；
2)誹謗：捏造、散布虛假事實，損害他人名譽；
3)嘲諷：以比喻、夸張、侮辱性的手法對他人或其行為進行揭露或描述，以此來激怒他人；
4)挑釁：以不友好的方式激怒他人，意圖使對方對自己的言論作出回應，蓄意制造事端；
5)羞辱：貶低他人的能力、行為、生理或身份特征，讓對方難堪；
6)謾罵：以不文明的語言對他人進行負面評價；
7)歧視：煽動人群歧視、地域歧視等，針對他人的民族、種族、宗教、性取向、性別、年齡、地域、生理特征等身份或者歸類的攻擊；
8)威脅：許諾以不良的后果來迫使他人服從自己的意志；
3. 發(fā)布垃圾廣告信息：以推廣曝光為目的，發(fā)布影響用戶體驗、擾亂本網站秩序的內容，或進行相關行為。主要表現為：
1)多次發(fā)布包含售賣產品、提供服務、宣傳推廣內容的垃圾廣告。包括但不限于以下幾種形式：
2)單個帳號多次發(fā)布包含垃圾廣告的內容；
3)多個廣告帳號互相配合發(fā)布、傳播包含垃圾廣告的內容；
4)多次發(fā)布包含欺騙性外鏈的內容，如未注明的淘寶客鏈接、跳轉網站等，誘騙用戶點擊鏈接
5)發(fā)布大量包含推廣鏈接、產品、品牌等內容獲取搜索引擎中的不正當曝光；
6)購買或出售帳號之間虛假地互動，發(fā)布干擾網站秩序的推廣內容及相關交易。
7)發(fā)布包含欺騙性的惡意營銷內容，如通過偽造經歷、冒充他人等方式進行惡意營銷；
8)使用特殊符號、圖片等方式規(guī)避垃圾廣告內容審核的廣告內容。
4. 色情低俗信息，主要表現為：
1)包含自己或他人性經驗的細節(jié)描述或露骨的感受描述；
2)涉及色情段子、兩性笑話的低俗內容；
3)配圖、頭圖中包含庸俗或挑逗性圖片的內容；
4)帶有性暗示、性挑逗等易使人產生性聯(lián)想；
5)展現血腥、驚悚、殘忍等致人身心不適；
6)炒作緋聞、丑聞、劣跡等；
7)宣揚低俗、庸俗、媚俗內容。
5. 不實信息，主要表現為：
1)可能存在事實性錯誤或者造謠等內容；
2)存在事實夸大、偽造虛假經歷等誤導他人的內容；
3)偽造身份、冒充他人，通過頭像、用戶名等個人信息暗示自己具有特定身份，或與特定機構或個人存在關聯(lián)。
6. 傳播封建迷信，主要表現為：
1)找人算命、測字、占卜、解夢、化解厄運、使用迷信方式治病；
2)求推薦算命看相大師；
3)針對具體風水等問題進行求助或咨詢；
4)問自己或他人的八字、六爻、星盤、手相、面相、五行缺失，包括通過占卜方法問婚姻、前程、運勢，東西寵物丟了能不能找回、取名改名等；
7. 文章標題黨，主要表現為：
1)以各種夸張、獵奇、不合常理的表現手法等行為來誘導用戶；
2)內容與標題之間存在嚴重不實或者原意扭曲；
3)使用夸張標題，內容與標題嚴重不符的。
8.「飯圈」亂象行為，主要表現為：
1)誘導未成年人應援集資、高額消費、投票打榜
2)粉絲互撕謾罵、拉踩引戰(zhàn)、造謠攻擊、人肉搜索、侵犯隱私
3)鼓動「飯圈」粉絲攀比炫富、奢靡享樂等行為
4)以號召粉絲、雇用網絡水軍、「養(yǎng)號」形式刷量控評等行為
5)通過「蹭熱點」、制造話題等形式干擾輿論，影響傳播秩序
9. 其他危害行為或內容，主要表現為：
1)可能引發(fā)未成年人模仿不安全行為和違反社會公德行為、誘導未成年人不良嗜好影響未成年人身心健康的；
2)不當評述自然災害、重大事故等災難的；
3)美化、粉飾侵略戰(zhàn)爭行為的；
4)法律、行政法規(guī)禁止，或可能對網絡生態(tài)造成不良影響的其他內容。
二、違規(guī)處罰
本網站通過主動發(fā)現和接受用戶舉報兩種方式收集違規(guī)行為信息。所有有意的降低內容質量、傷害平臺氛圍及欺凌未成年人或危害未成年人身心健康的行為都是不能容忍的。
當一個用戶發(fā)布違規(guī)內容時，本網站將依據相關用戶違規(guī)情節(jié)嚴重程度，對帳號進行禁言 1 天、7 天、15 天直至永久禁言或封停賬號的處罰。當涉及欺凌未成年人、危害未成年人身心健康、通過作弊手段注冊、使用帳號，或者濫用多個帳號發(fā)布違規(guī)內容時，本網站將加重處罰。
三、申訴
隨著平臺管理經驗的不斷豐富，本網站出于維護本網站氛圍和秩序的目的，將不斷完善本公約。
如果本網站用戶對本網站基于本公約規(guī)定做出的處理有異議，可以通過「建議反饋」功能向本網站進行反饋。
(規(guī)則的最終解釋權歸屬本網站所有)