docs/research_story.md

# 让 ViT 跑得更快：我们试了三种方案，最终发现最简单的最有效

---

## 问题

ViT-B/16 处理一张 224×224 的图片时，会切成 **196 个 patch**，全部送入 12 层 transformer。这是 **33.85 GFLOPs** 的计算量。

但直觉告诉我们：不是所有 patch 都同等重要。背景、天空、重复纹理 —— 这些 patch 对分类贡献很小。如果能在进入 transformer 之前**过滤掉不重要的 patch**，就能省下大量计算。

于是我们开始了探索。方向很明确，但路走了三条。

---

## 基线：全量 ViT-B/16 微调

所有对比的基准是 **ViT-B/16（85.8M 参数）在 ImageNet-21K 上预训练后，在目标数据集上全量微调**。

训练配置：
- 优化器：AdamW，lr=3e-5，weight_decay=0.05
- 调度器：CosineAnnealing，100 epochs（CIFAR-100）/ 30 epochs（Food-101）
- 数据增强：RandomResizedCrop + RandomHorizontalFlip
- 标签平滑：0.1
- 有效 batch size：128（batch=32 × accum=4）

| 数据集 | 类别 | 原生分辨率 | Test Acc | 适合降采样实验 |
|:------|:---:|:---------:|:--------:|:------------:|
| **Oxford Pets** | 37 | **~200-1000px（高）** | 93.81% | ✅ 主数据集 |
| Food-101 | 101 | **~300-512px（高）** | 91.37% | ✅ |
| DTD | 47 | **~300-400px（高）** | 80.85% | ✅ 纹理敏感 |
| CIFAR-100 | 100 | **32×32（极低）** | 91.69% | ❌ 不适合降采样 |

> ⚠️ **关于 CIFAR-100**：原图仅 32×32，训练时放大到 224×224 才喂给 ViT。本身就没多少细节，降采样测试会给出"几乎不掉精度"的假象。CIFAR-100 适合测试 **patch 级别的选择策略**（如 Router），不适合测试**降采样/分辨率相关**的实验。所有降采样实验应以 Oxford Pets、Food-101 等高分辨率数据集为准。

---

## 网络架构

在进入具体方案前，先理解模型的结构。

### 基线：全量 ViT-B/16

```
输入图片 (224×224)
  ↓
Patch Embedding (Conv2d, 16×16, stride=16) → 196 patches, 每个 768维
  ↓
Position Embedding + CLS Token
  ↓
12 层 Transformer Block（每层 = Attention + MLP + Residual）
  ↓
LayerNorm → 分类头 → 输出
```

### Patch Selection 架构（加了 Router）

```
输入图片 (224×224)
  ↓
Patch Embedding → 196 patches (768维)
  ↓
Position Embedding（位置编码）
  ↓
┌─ Router ─────────────────────────────┐
│ Linear(768→384) → LayerNorm → GELU   │  → 对每个 patch 输出 1 个分数
│ Linear(384→1)                        │
│ 参数量: 768×384 + 384×1 = 295,296     │
└──────────────────────────────────────┘
  ↓ 196 个分数
Differentiable Top-K 选择（Sigmoid STE）
  ↓ 保留 K 个最重要的 patch
concat(CLS Token, 选中 patches) → (K+1, 768)
  ↓
前 2 层 Transformer Block（轻量编码器）
  ↓ 保存中间特征 → 送入 MAE Decoder（训练时）
后 10 层 Transformer Block（主干网络）
  ↓
LayerNorm → 分类头 → 输出
```

**Router 的参数量（296K）仅为 ViT-B/16 整体（85.8M）的 0.34%**，极小。

### Differentiable Top-K 原理

选择"选 K 个 patch"是离散操作，没法直接算梯度。用 STE 技巧绕过：

```python
scores = router(patch_features)        # 196 个分数
threshold = scores.topk(K)[-1:]        # 第 K 大的分数作为阈值
soft_mask = sigmoid(scores - threshold) # 连续的可微分掩码
hard_mask = (scores > threshold).float() # 离散的选/不选
# STE：前向用 hard_mask，反向梯度直穿 soft_mask
mask = hard_mask.detach() + soft_mask - soft_mask.detach()
```

---

## 第一条路：Gumbel Selection —— 学不动

**思路：** 在 Router 打分后，用 Gumbel-Softmax + STE 做可微分的"选/不选"，只把选中的 patch 送进 backbone。

**结果（保留 50%）：**

| 数据集 | Baseline | Gumbel Selection | 下降 |
|:------|:-------:|:---------------:|:----:|
| CIFAR-100 | 91.69% | 87.18% | -4.51% |
| Oxford Pets | 93.81% | 87.00% | -6.81% |
| Food-101 | 91.37% | 85.77% | -5.60% |

**问题在哪？** Gumbel 噪声太大了。Router 想表达"这个 patch 重要，score=0.8"，但噪声一加，变成了随机数。梯度信号被淹没，Router 学了一个训练周期，最后还是没学会。

> **教训：** 用噪声做离散化选择，噪声强度控制不好就白学。

---

## 第二条路：MAE + 蒸馏 Router —— 有效，但复杂

**思路：** 去掉 Gumbel，改用 Sigmoid STE（梯度直通），让梯度直接穿过"选/不选"的门槛。同时加一个 **MAE 重建任务**：Encoder 处理后，用小 Decoder 重建被丢弃的 patch，用 MSE Loss 告诉 Router"你丢的东西能不能猜回来"。

这相当于给 Router 配了两个教练：
- **分类 Loss** 告诉它：选出来的 patch 要能分类
- **重建 Loss** 告诉它：丢掉的 patch 不能是关键信息

**再进一步：** 能不能先让 Router 看看"老师"怎么做？用预训练 ViT 的 CLS 注意力分数预训练 Router，给它一个更好的起点。

**主数据集 Oxford Pets（保留 50%）：**

| 方法 | Test Acc | vs Baseline |
|:----|:--------:|:----------:|
| Baseline（全量） | 91.91% | — |
| MAE + 从头训练 Router | **88.80%** | **-3.11%** |
| MAE + 预热 Router | **85.85%** | **-6.06%** |

**跨数据集验证：**

| 数据集 | Baseline | MAE + 预热 Router（50%） | 下降 |
|:------|:-------:|:----------------------:|:----:|
| CIFAR-100 | 91.69% | **89.07%** | -2.62% |
| CIFAR-100（75%保留） | 91.69% | **91.10%** | -0.59% |
| Food-101 | 91.37% | **89.52%** | -1.85% |
| **Oxford Pets** | **91.91%** | **85.85%** | **-6.06%** |

**关键发现：** 蒸馏效果严重依赖数据集大小。Oxford Pets 仅 3.6K 训练图片，蒸馏信号极弱（注意力重叠率仅 51.16%≈随机），预热反而有害。CIFAR-100 和 Food-101 上蒸馏有效（-1.85%~-2.62%）。

**但有个细节耐人寻味：** 蒸馏 Router 的注意力重叠率最高仅 **59.95%（Food-101）**，随机基线 50%。几乎没学到老师。

那 MAE 是怎么学到东西的？答案可能是：**MAE 重建任务本身就是够好的训练信号**，蒸馏的贡献其实很小。Router 在 MAE 训练中自己学会了"什么 patch 能丢"，教师注意力只是给了它一个微不足道的热身。

> **教训：** 学习型方案能工作，但训练流程复杂（两阶段），核心收益来自 MAE 而非蒸馏，且小数据集上蒸馏可能有害。

---

## 第三条路：降采样训练 —— 简单到让人怀疑

这时我们退了一步，问了一个更基本的问题：

**"如果我只是把输入图片缩小一点，会怎么样？"**

```
原图 224×224 → Resize(168×168) → Patch Embed → 100 patches → ViT → 分类
```

不需要 Router、不需要蒸馏、不需要 MAE。就一行 Resize。

### 但要小心：CIFAR-100 是个陷阱

最初在 CIFAR-100 上测试，结果漂亮得可疑：

```
CIFAR-100 原图只有 32×32 → 放大到 224 → 缩回 168 → 几乎没有信息损失
```

CIFAR-100 的"不掉精度"是假象。换到真正的高分辨率数据集上测试：

### 真实数据集上的结果

| 数据集 | 特点 | Baseline | 168×168 | **下降** |
|:------|:-----|:-------:|:-------:|:-------:|
| CIFAR-100 | 粗粒度，原生 32×32 | 91.69% | 91.56% | -0.13% ❌ 假象 |
| Food-101 | 细粒度菜品 | 91.37% | 89.87% | **-1.50%** |
| Oxford Pets | 猫狗品种，花纹重要 | 93.81% | 90.65% | **-3.16%** |
| DTD | 纯纹理分类 | 80.85% | 74.20% | **-6.65%** |

精度下降幅度与数据集的**信息依赖类型**高度相关：
- **粗粒度物体**（CIFAR-100）：降采样几乎没影响——因为只需要轮廓
- **细粒度物体**（Food-101, Oxford Pets）：掉 1.5%-3%——需要纹理和细节
- **纯纹理**（DTD）：掉 6.65%——最依赖高频信息，降采样伤害最大

**结论：降采样有效与否，取决于任务所需的信息频段。不是所有分类任务都一样。**

### 效率提升

| 输入尺寸 | Patches | Oxford Pets Acc | 吞吐量 |
|:-------:|:-------:|:--------------:|:------:|
| 224×224 | 196 | 93.81% | 791/s |
| 168×168 | 100 | 90.65% | 1458/s (+84%) |
| 112×112 | 49 | 86.64% | 2820/s (+257%) |

隔行去行列（直接丢掉一半像素）比双线性降采样略差（低 0.5%），平滑插值保留更多信息。

### 灰度图实验（颜色信息剥离）

去掉颜色信息只保留亮度，ViT 还能分类吗？

| 数据集 | Baseline (RGB) | Grayscale | 下降 |
|:------|:------------:|:---------:|:----:|
| Oxford Pets | 93.81% | **90.68%** | **-3.13%** |

去掉颜色掉 3.13%，说明 Oxford Pets 上颜色信息有一定作用（部分品种靠毛色区分），但形状和纹理更重要。

---

## 但有个坑：不是所有任务都这么宽容

把 168×168 降采样放到多个数据集上：

| 数据集 | 特点 | Baseline | 168×168 | 下降幅度 |
|:------|:-----|:-------:|:-------:|:--------:|
| CIFAR-100 | 粗粒度，原生 32×32 | 91.69% | 91.56% | -0.13%（假象） |
| Food-101 | 细粒度菜品 | 91.37% | 89.87% | **-1.50%** |
| Oxford Pets | 猫狗品种，花纹纹理 | 93.81% | 90.65% | **-3.16%** |
| DTD | 纯纹理分类 | 80.85% | 74.20% | **-6.65%** |

（完整跨数据集对比见下方"总结"部分）

---

## 总结：跨数据集对比

不同数据集对降采样的敏感度差异巨大：

| 数据集 | 特点 | Baseline | **168×168** | **下降** | **112×112** | **下降** |
|:------|:-----|:-------:|:---------:|:--------:|:----------:|:--------:|
| CIFAR-100 | 粗粒度，原生 32×32 | 91.69% | 91.56% | **-0.13%** ❌假象 | 90.00% | -1.69% |
| Food-101 | 细粒度菜肴 | 91.37% | 89.87% | **-1.50%** | 85.96% | -5.41% |
| **Oxford Pets** | 猫狗品种，花纹纹理 | **~93.3%** | **90.65%** | **-3.16%** | **86.64%** | **-7.17%** |
| DTD | 纯纹理分类 | 80.85% | 74.20% | **-6.65%** | — | — |

### 核心结论

1. **降采样伤害取决于任务所需的信息类型**
   - 粗粒度物体分类（CIFAR-100）→ 几乎不受影响（但也因为原生分辨率太低）
   - 细粒度分类（Food-101, Oxford Pets）→ 掉 1.5%~3%
   - 纹理分类（DTD）→ 掉 6.65%，最严重
   - **规律：越依赖高频细节的任务，降采样伤害越大**

2. **颜色信息有一定作用但不关键** —— Oxford Pets 灰度图掉 3.13%，部分品种靠毛色区分

3. **学习型方案不如降采样简单有效**
   - Oxford Pets 上对比（相同条件：batch=16, accum=2）：

| 方法 | Test Acc | vs Baseline | 额外成本 |
|:----|:--------:|:----------:|:--------:|
| **Baseline（全量微调）** | **91.91%** | — | — |
| 降采样 168x168 | **90.65%** | **-1.26%** | **无** |
| 灰度图 | **90.68%** | **-1.23%** | **无** |
| MAE + 从头训练 Router | 88.80% | -3.11% | 需 Router + MAE Decoder |
| MAE + 预热 Router | 85.85% | -6.06% | 需蒸馏 + 训练，且有害 |

**最简单的方案效果最好。**

---

## 实验环境

- **模型**：ViT-B/16（85.8M 参数），ImageNet-21K 预训练
- **数据集**：CIFAR-100（100 类）、Food-101（101 类）
- **GPU**：NVIDIA RTX 4090D（24GB）
- **吞吐量测试**：同一 GPU、batch=128、50 batches 取平均
- **超参数**：lr=3e-5, weight_decay=0.05, label_smoothing=0.1, CosineAnnealing 100 epochs

---

*欢迎讨论和反馈。*