Pré-treinamento Escalável de Grandes Modelos Autoregressivos de Imagem
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
Resumo
Este artigo apresenta o AIM, uma coleção de modelos de visão pré-treinados com um objetivo autoregressivo. Esses modelos são inspirados em suas contrapartes textuais, ou seja, os Modelos de Linguagem de Grande Escala (LLMs), e exibem propriedades de escalabilidade semelhantes. Especificamente, destacamos duas descobertas principais: (1) o desempenho das características visuais escala tanto com a capacidade do modelo quanto com a quantidade de dados, (2) o valor da função objetivo correlaciona-se com o desempenho do modelo em tarefas subsequentes. Ilustramos a implicação prática dessas descobertas ao pré-treinar um AIM de 7 bilhões de parâmetros em 2 bilhões de imagens, que alcança 84,0% no ImageNet-1k com um tronco congelado. Curiosamente, mesmo nessa escala, não observamos nenhum sinal de saturação no desempenho, sugerindo que o AIM potencialmente representa uma nova fronteira para o treinamento de modelos de visão em grande escala. O pré-treinamento do AIM é semelhante ao pré-treinamento de LLMs e não requer nenhuma estratégia específica para imagens para estabilizar o treinamento em grande 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.