Entrenamiento Escalable Previo de Modelos Autoregresivos de Imágenes a Gran Escala

Scalable Pre-training of Large Autoregressive Image Models

January 16, 2024

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

cs.AI

Resumen

Este artículo presenta AIM, una colección de modelos de visión preentrenados con un objetivo autorregresivo. Estos modelos están inspirados en sus contrapartes textuales, es decir, los Modelos de Lenguaje de Gran Escala (LLMs, por sus siglas en inglés), y exhiben propiedades de escalabilidad similares. Específicamente, destacamos dos hallazgos clave: (1) el rendimiento de las características visuales escala tanto con la capacidad del modelo como con la cantidad de datos, (2) el valor de la función objetivo se correlaciona con el rendimiento del modelo en tareas posteriores. Ilustramos la implicación práctica de estos hallazgos preentrenando un AIM de 7 mil millones de parámetros en 2 mil millones de imágenes, que alcanza un 84.0% en ImageNet-1k con un tronco congelado. Curiosamente, incluso a esta escala, no observamos ningún signo de saturación en el rendimiento, lo que sugiere que AIM potencialmente representa una nueva frontera para el entrenamiento de modelos de visión a gran escala. El preentrenamiento de AIM es similar al preentrenamiento de LLMs y no requiere ninguna estrategia específica para imágenes para estabilizar el entrenamiento a gran escala.

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.