Pré-entraînement évolutif de grands modèles d'images autorégressifs
Scalable Pre-training of Large Autoregressive Image Models
January 16, 2024
Auteurs: Alaaeldin El-Nouby, Michal Klein, Shuangfei Zhai, Miguel Angel Bautista, Alexander Toshev, Vaishaal Shankar, Joshua M Susskind, Armand Joulin
cs.AI
Résumé
Cet article présente AIM, une collection de modèles visuels pré-entraînés avec un objectif autorégressif. Ces modèles s'inspirent de leurs homologues textuels, à savoir les modèles de langage de grande taille (LLMs), et présentent des propriétés de mise à l'échelle similaires. Plus précisément, nous mettons en évidence deux résultats clés : (1) la performance des caractéristiques visuelles évolue à la fois avec la capacité du modèle et la quantité de données, (2) la valeur de la fonction objectif est corrélée avec la performance du modèle sur les tâches en aval. Nous illustrons l'implication pratique de ces résultats en pré-entraînant un AIM de 7 milliards de paramètres sur 2 milliards d'images, qui atteint 84,0 % sur ImageNet-1k avec un tronc gelé. Fait intéressant, même à cette échelle, nous n'observons aucun signe de saturation des performances, suggérant qu'AIM représente potentiellement une nouvelle frontière pour l'entraînement de modèles visuels à grande échelle. Le pré-entraînement d'AIM est similaire à celui des LLMs et ne nécessite aucune stratégie spécifique aux images pour stabiliser l'entraînement à grande échelle.
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.