Addestramento Scalabile di Modelli Autoregressivi di Immagini di Grandi Dimensioni
Scalable Pre-training of Large Autoregressive Image Models
January 16, 2024
Autori: Alaaeldin El-Nouby, Michal Klein, Shuangfei Zhai, Miguel Angel Bautista, Alexander Toshev, Vaishaal Shankar, Joshua M Susskind, Armand Joulin
cs.AI
Abstract
Questo articolo introduce AIM, una collezione di modelli visivi pre-addestrati con un obiettivo autoregressivo. Questi modelli sono ispirati alle loro controparti testuali, ovvero i Large Language Models (LLMs), e mostrano proprietà di scalabilità simili. In particolare, evidenziamo due risultati chiave: (1) le prestazioni delle caratteristiche visive scalano sia con la capacità del modello che con la quantità di dati, (2) il valore della funzione obiettivo è correlato alle prestazioni del modello su compiti downstream. Illustriamo l'implicazione pratica di questi risultati pre-addestrando un AIM da 7 miliardi di parametri su 2 miliardi di immagini, che raggiunge l'84.0% su ImageNet-1k con un tronco congelato. Interessante notare che, anche a questa scala, non osserviamo alcun segno di saturazione nelle prestazioni, suggerendo che AIM rappresenti potenzialmente una nuova frontiera per l'addestramento di modelli visivi su larga scala. Il pre-addestramento di AIM è simile a quello degli LLMs e non richiede alcuna strategia specifica per le immagini per stabilizzare l'addestramento su larga scala.
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.