克雷西发自凹非寺
量子位公众号 QbitAI
Don’t look twice！
把连续相同的图像块合并成一个 token，就能让 Transformer 的视频处理速度大幅提升。
卡内基梅隆大学提出了视频大模型加速方法Run-Length Tokenization（RLT），被 NeurIPS 2024 选为 Spotlight 论文。
在精度几乎没有损失的前提下，RLT 可以让模型训练和推理速度双双提升。
一般情况下，利用 RLT，Transformer 视频识别模型的训练时间可缩短 30%，推理阶段提速率提升更是可达 67%。
对于高帧率和长视频，RLT 的效果更加明显，30fps 视频的训练速度可提升 1 倍，长视频训练 token 减少 80%。
相比于传统的剪枝方法，RLT 能用更小的精度损失实现更好的加速效果。
有人想到了电视剧中的评论，认为这项研究找到了在压缩空间中进行搜索的方法。
DeepMind 科学家 Sander Dieleman 则评价称，这项研究是一种“非主流”（Off-the-grid）的创新方法，但比起其他复杂的非主流研究，又显得非常简洁。
重复图像块合为一个 token
RLT 的核心原理，是利用视频中存在大量时间上重复的图像块这一特点，将重复的图像块合并为一个 token 表示。
这种情况下，还需要用一个位置编码来表示这个 token 的长度，但 RLT 总体上减少了输入的 token 数量。
要想完成重复 token 的修剪，首先要对视频进行分块。
具体来说，视频在空间和时间维度上会被划分成固定大小的图像块，每个图像块的大小为C×D_x×D_y×D_t，每个图像块都对应一个空间-时间位置。
（其中C是通道数，D_x和D_y是空间维度大小，D_t是时间维度大小。）
划分完成之后，需要比较时间上相邻的图像块，判断它们是否相似，也就是是否需要合并。
对于时间位置相差 1 的两个图像块P_1 和P_2，取P_1 的第一帧和P_2 的最后一帧，计算它们的 L1 距离。
如果距离小于一个预设的阈值τ，就认为P_1 和P_2 是静态重复的（阈值τ表示允许多大程度的相似性，设置与具体数据集无关）。
完成判别之后，重复的图像块会被移除。
对于一串连续的、两两之间都是静态重复的图像块，RLT 只保留第一个块对应的 token。
这一步是在 patch embedding 之前完成的，因此移除 token 不需要改动模型结构。
经过这一步，输入的 token 数量从N_P降低到了N_P’（N_P’≤N_P）。
为了让合并后的 token 仍然能够反映完整的视频信息，接下来要给每个 token 加上长度编码。
对于一个保留下来的 token，系统会计算它所代表的原始 token 的长度l_i，也就是它到下一个没有被移除的 token 的距离。
长度信息l_i与 token 的空间-时间位置(x，y，t)一起，用一个可学习的长度编码矩阵映射成一个d维的 embedding 向量，与 patch embedding 相加，作为输入 token 的最终表示。
最后只需要将处理后的 token 序列输入到视频 Transformer 中，进行常规的训练或推理过程。
不过需要注意的是，由于每个视频样本计算出的 token 数量N_P’不尽相同，样本之间可能有较大差异。
然而标准的 Transformer 是按批次处理固定长度的序列的。
为了能在一个批次中处理多个长度不一的视频，RLT 采用了一种称为“example packing”的方法，将这一批中所有视频样本的 token 序列首尾相连，拼成一个超长的序列，作为 Transformer 的输入。
这样的话，Transformer 实际上是在处理一个批次大小为1、长度为所有样本 token 数量之和的序列。
通过以上步骤，RLT 能够去除视频中的许多冗余 token，在几乎不损失精度的情况下，大幅降低内存占用和计算量，加速视频 Transformer 的训练和推理。
训练时长下降 30%
在训练阶段，RLT 对 ViT-B 和 ViT-L 两种规模的模型都有很好的加速效果。
在 Kinetics-400 上，ViT-BRLT 和 ViT-L 训练时间分别从 14.4 小时和 21.6 小时，降低到 10.2 小时和 15.4 小时，降幅均接近 30% 左右，精度损失不超过 0.1 个百分点；
在 SSv2 上，两者的训练时间分别从 10.1 和 15.2 小时，降低到 7.2 和 10.8 小时，降幅也接近 30%，精度同样仅下降 0.1 个百分点。
相比之下，传统的剪枝方法 Token Merging 在精度下降 0.1-0.5 个百分点的情况下，加速只有 10-20%。
在推理阶段，也不需要额外的训练，就可以将 RLT 作为现成的 tokenizer，达到很好的加速效果。
具体来说，RLT 能在几乎不牺牲精度的情况下（不超过 0.5 个百分点），将推理阶段的计算量和延迟降低 30-60%。
同样在 Kinetics-400 和 SSv2 上，对于 ViT-B 和 ViT-L，RLT 都能带来 60% 以上的推理加速。
对于更大的 ViT-H，在 Kinetics-400 上，RLT 也能实现 45% 的加速效果。
特别地，作者还针对高帧率和长时长视频数据集进行了测试，发现 RLT 带来的 token 下降幅度比在普通数据集中更高。
同时在高帧率数据集当中，RLT 能够在精度损失同样低的情况下，实现更好的加速效果。
而且帧率越高效果也越明显，对于 30fps 的视频，加速可达 100%。
论文地址：
https://arxiv.org/abs/2411.05222
代码：
