用5分钟时间学习一下谷歌公司的 MLP-Mixer 「MLP-Mixer: An all-MLP Architecture for Vision」CVPR 2021
CNN以及 attention 在视觉任务上取得非常好的性能，但是我们真的需要这么复杂的网络结构吗？MLP 这种简单的结构是否也能够取得SOTA呢？ MLP-Mixer给出了答案：convolutions and attention are both sufficient for good performance, neither of them are necessary.
之所以叫Mixer，是因为卷积其实就是相当于mix不同维度的特征。比如说：depth-wise conv相当于在空间位置上的 mix，而 point-wise conv 相当于是在通道上的 mix。
MLP-Mixer将上图所示的这两个任务切割开来，用两个MLP网络来处理，分别为（1）不同位置的mix叫做token-mixing （2）同一位置不同通道的mix叫做channel-mixing。
总体架构如下图所示，如图举例：将图片拆分为9个patch，用一个FC层将所有patch提取特征变为 token，经过 N 个Mixer层，进一步提取特征，最后用一个 FC 层预测类别。结构比较简单，需要进一步介绍的只有 Mixer Layer。
Mixer Layer 的结构如下图所示，一个图片被为成9个 patch，然后经过全连接层，每个 patch 被成了一个 4 维的向量，这样原图像就变成了一个 9X4 的矩阵，后续分为两步：
- 第一步：进行 LayerNorm，在4这个维度上归一化。接着矩阵转置变成 4X9，然后在9这个维度进行MLP处理（token-mixing），输出仍是4X9的矩阵。（中间有 skip connection）
- 第二步：矩阵转置为 9X4，再进行LayerNorm。接着在 4 这个维度进行MLP处理。（中间有skip connection）
需要注意的是，MLP是两个全连接层，中间以 GELU 作为激活函数，代码如下：
def FeedForward(dim, expansion_factor = 4, dropout = 0., dense = nn.Linear):
return nn.Sequential(
dense(dim, dim * expansion_factor),
nn.GELU(),
nn.Dropout(dropout),
dense(dim * expansion_factor, dim),
nn.Dropout(dropout)
)