Skalierbares Vortraining großer autoregressiver Bildmodelle

Scalable Pre-training of Large Autoregressive Image Models

January 16, 2024

Autoren: Alaaeldin El-Nouby, Michal Klein, Shuangfei Zhai, Miguel Angel Bautista, Alexander Toshev, Vaishaal Shankar, Joshua M Susskind, Armand Joulin

cs.AI

Zusammenfassung

Dieses Papier stellt AIM vor, eine Sammlung von Vision-Modellen, die mit einem autoregressiven Ziel vortrainiert wurden. Diese Modelle sind von ihren textbasierten Gegenstücken, d.h. Large Language Models (LLMs), inspiriert und zeigen ähnliche Skalierungseigenschaften. Insbesondere heben wir zwei zentrale Erkenntnisse hervor: (1) die Leistung der visuellen Merkmale skaliert sowohl mit der Modellkapazität als auch mit der Menge der Daten, (2) der Wert der Zielfunktion korreliert mit der Leistung des Modells bei nachgelagerten Aufgaben. Wir veranschaulichen die praktische Bedeutung dieser Erkenntnisse, indem wir ein AIM-Modell mit 7 Milliarden Parametern auf 2 Milliarden Bildern vortrainieren, das 84,0 % auf ImageNet-1k mit einem eingefrorenen Trunk erreicht. Interessanterweise beobachten wir selbst bei dieser Skalierung keine Anzeichen einer Sättigung der Leistung, was darauf hindeutet, dass AIM möglicherweise eine neue Grenze für das Training großskaliger Vision-Modelle darstellt. Das Vortraining von AIM ähnelt dem Vortraining von LLMs und erfordert keine bildspezifische Strategie, um das Training in großem Maßstab zu stabilisieren.

English

This paper introduces AIM, a collection of vision models pre-trained with an autoregressive objective. These models are inspired by their textual counterparts, i.e., Large Language Models (LLMs), and exhibit similar scaling properties. Specifically, we highlight two key findings: (1) the performance of the visual features scale with both the model capacity and the quantity of data, (2) the value of the objective function correlates with the performance of the model on downstream tasks. We illustrate the practical implication of these findings by pre-training a 7 billion parameter AIM on 2 billion images, that achieves 84.0% on ImageNet-1k with a frozen trunk. Interestingly, even at this scale, we observe no sign of saturation in performance, suggesting that AIM potentially represents a new frontier for training large-scale vision models. The pre-training of AIM is similar to the pre-training of LLMs, and does not require any image-specific strategy to stabilize the training at scale.