苹果公司采用自回归语言模型进行图像模型的预训练

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。

☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 免费无限量使用 DeepSeek R1 模型☜☜☜

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。

Apple：使用语言模型的自回归方式进行图像模型预训练图片

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。

Apple：使用语言模型的自回归方式进行图像模型预训练图片

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。