前几天FAIR发了一个新的图像预训练模型 SEER，看完论文之后我不禁感叹，不仅我企图往多模态卷，Facebook自己也卷起来了。
为什么说卷呢？因为这篇文章的方法概括来说就是用更好的模型、更多的数据，有点NLP预训练内味儿了。
然后我翻了翻20年几个对比学习SOTA模型的作者，发现Facebook和谷歌各有两拨人在搞，比较激烈的主要是Kaiming和Hinton大佬，然后就是Mathilde Caron这位法国博士妹子和她的同事Priya Goyal（也是位女researcher）。看了下妹子的linkedin，毕业于巴黎综合理工学院，就是法国的Top1，太强了。
回归正题，还是介绍下这个模型的各种改进细节，已经忘了对比学习的同学可以复习这篇文章。
代码语言：javascript复制论文题目：Self-supervised Pretraining of Visual Features in the Wild
下载地址：https://arxiv.org/pdf/2103.01988.pdf
代码地址：https://github.com/facebookresearch/vissl
训练数据
SEER首先提出了之前模型们的训练数据问题，他们都是在一百万左右的ImageNet上训练，而这些数据都是挑选过的，只能代表开放域中的一部分数据。于是作者就想：**在更大的开放域数据上训练是否能提升效果呢？**如果可行的话，那以后就在更更多的数据上pretrain，然后再迁移到下游任务就可以了。
于是作者收集了10亿的Instagram图片，甚至连去重都没做。
模型结构
整体的结构和SwAV一样，但既然增加了数据，还是得想办法把训练效率优化一下。
作者选用了凯明大神去年推出的RegNet，结合了神经网络搜索NAS的优点，在Imagenet上搜索出特定FLOPs下不错的结构。最后在参数比SimCLRv2少的情况下达到了更好的效果：
训练优化
这里又用了些工程技巧减少占用内存和提升速度。
- 减小内存占用，使用了梯度检查点、混合精度这两个策略（这里补课）
- 提升训练速度，优化了SyncBatchNorm的实现。SyncBatchNorm是Apex框架提供的一个功能，因为在batch很小的时候一个卡上的统计量不准确，这时候就可以借助all-reduce架构（这里补课）把多卡的batch一起统计，提升准确性。而作者觉得每次要等全局同步太耗时，就创建了额外的进程去做，提升了整体吞吐。
优化后在512个V100上训练了8天。
实验结果
精调之后，在相同模型尺寸下，证明了在开放域数据上的预训练确实有效果：
不过少样本的情况下还是差些：
但迁移能力确实很好，在Places205数据集上比ImageNet有监督预训练的模型好，说明无监督预训练让模型学到更多通用知识：
总结
之前妹子的SwAV好像中了NIPS20，但这篇新文章惊喜不大，去年NLP领域不少论文已经把对比学习用在wiki等数据上了。另外消融实验只尝试了不同的模型尺寸，不清楚训练数据和RegNet分别带来了多大提升。
这次开了增加数据和模型尺寸的先河，我感觉一直致力于用Transformer统治一切的OpenAI马上就要入场了。。。
文末福利
各位猿们，还在为记不住API发愁吗，哈哈哈，最近发现了国外大师整理了一份Python代码速查表和Pycharm快捷键sheet，火爆国外，这里分享给大家。
这个是一份Python代码速查表
下面的宝藏图片是2张(windows && Mac)高清的PyCharm快捷键一览图
