视觉变换器（ViT）在两年前进入大众视野，并成为计算机视觉研究的核心组成部分。

它成功将一个在自然语言处理领域的Transformer模型迁移到计算机视觉领域。从那时起，计算机视觉领域的进步已经加速。

尽管在成本与性能方面被超越，Vanilla ViT仍有许多优点。

它们是由简单的矩阵乘法组成的，这使得它们的速度比它们的原始运算量所显示的要快。

此外，它们支持强大的自监督预训练技术，如MAE（掩码自动编码器），可以产生最先进的结果，同时可以进行快速训练。

而且由于它们不对数据进行假设，它们可以几乎不加改变地应用在图片、音频、文本等诸多模式中。​

当然，理想很丰满，现实很骨感。ViT模型的规模大，有较大延时。在资源有限的设备上，运行这个复杂模型会产生很大问题。

Token剪枝：变好了，但没完全好

针对运算慢的问题，研究人员给出了多个解决方案。其中一种常见的加速视觉 Transformer模型的方法是对进行token剪枝。

在运行时修剪标记，通过修剪不太重要的token产生高效的Transformer。如DynamicViT分层修剪冗余token，从而在分类任务中实现FLOPs减少。

然而，token剪枝有几个问题，其中最主要的，是由于修剪token会产生信息损失，因此，人们对ViT模型token的剪枝数量是有限的，为了减少信息损失，只能对不重要的token进行修剪。

而且，为了使修剪过的token有效，人们需要再次训练模型。这就造成额外的资源消耗。

更重要的是，token剪枝是动态的过程，需要根据不同的图像或句子确定token剪枝的不同数量。虽然这有利于提高准确性，但却不够实用实用性，因为这种情况下，数据不能再进行批处理。

为了解决这个问题，人们需要在剪枝过程中添加掩码，而这会进一步影响效率的提升。

简单来说，token剪枝确实让ViT跑得更快，但这是在信息损耗的代价上实现的。​

TokenMerging：换个想法

怎样才能使ViT的速度类似于剪枝，但保持比剪枝更高的准确度呢？Meta AI研究团队给出了新的解题思路：Token Merging（ToMe）。

论文链接：https://arxiv.org/pdf/2210.09461.pdf

Token Merging选择将token结合，而非进行剪枝。由于其定制的匹配算法，它和剪枝一样快，同时更准确。另外，它的工作不需要任何额外的训练，所以你可以在巨大的模型上使用它来加快它们的速度，而不会牺牲很多准确性。

Meta的目标是在现有的ViT中插入一个Token Merging的模块，通过合并冗余的token，在不需要额外训练的前提下提高训练和推理的吞吐量。

基本思路是：在Transformer模型中，通过合并，使每层减少r个token。假设一个Transformer模型有L层，那么通过合并就可以减少rL个token。变量r的大小决定了速度和精度的关系，因为更少的标记意味着更低的准确度但更高的吞吐量。

值得注意的是，在Token Merging中，无论图像的内容如何，都会减少rL标记。这完美解决了token剪枝中无法进行批处理的问题。

通过ToMe，类似的token批在每个Transformer块中被合并：例如，狗的皮毛被合并成一个token。

Token Merging被插入每个attention块和每个Transformer块。这也与token剪枝的工作流程形成对比。后者倾向于将剪枝步骤放在每个Transformer块的开头。

通过Token Merging，需要被合并的token的信息可以得到传播，ViT也能够借助attention块中的特征来决定需要合并哪些token。​

具体做法

合并的第一步是确定相似的token。在Transformer中的QKV（query, key, value）已被提取的条件下，通过消融实验，研究团队发现使用key可以最好衡量token之间的相似度（下图紫色部分）。

因为key已经总结了每个token中包含的信息，以便用于Attention中的dot-product来衡量token间的相似度。

除了研究哪个指标更好衡量token相似度外，还需要知道什么距离衡量相似度。通过实验研究团队发现，使用使用余弦距离来衡量toke之间的相似度可以获得最好的精度和速度的关系。

确定了token的相似性，接下来需要一个快速的方法来确定哪些token需要匹配，以减少总数的r。

Meta团队没有使用kmeans聚类算法或图分割算法，而是使用匹配算法，因为后者不仅可以精准匹配每一层token的数量，还能快速执行上千次匹配。这些都是迭代聚类算法无法完成的。

因此，Meta团队提出了一个更有效的解决方案。

设计目标如下。1.)避免任何无法并行化的迭代，2.)希望合并的变化是渐进的，因为聚类对多少个标记可以合并到一个组中没有限制（这可能会对网络产生不利影响），而匹配则使大多数标记没有被合并。

1. 将所有token分为相同大小的2个集合A与B。
2. 把从集合A中的每个token到B中与其最相似的token画一条边。
3. 只留下最相似的r条边, 其余删掉。
4. 融合仍然相连的边（特征取均值）。
5. 把这两个集合拼在一起, 得到最终的合并结果。

通过这项独特的技术，可以提高ViT模型的吞吐量和实际训练速度。使用Token Merging可以将训练速度提高一倍。它可以用于图像、视频和音频任务，并且仍然可以达到最先进的准确性。