如何最大限度地提升模型精度？

最近，谷歌等机构发现：

性能不好的微调模型先不要扔，求一下平均权重！

就能在不增加推理时间以及内存开销的情况下，提高模型的准确性和鲁棒性。

比如，研究人员就使用该方法创造了ImageNet1K的新纪录：90.94%。

将它扩展到多个图像分类以及自然语言处理任务中，也能提高模型的分布外性能，并改善新下游任务的零样本性能。

而这个方法还有一个有趣的名字，叫Module soup——

是不是让人一下子就让人联想到了斐波那契汤的笑话？（昨天的汤+前天的汤=今天的新汤）

一共三种配方

回想一下在此之前，大家是如何给模型涨点的呢？

是不是先用各种超参数训练出多个微调模型，然后再挑出验证集上表现最好的那一个留下，其余丢掉？

由于神经网络是非线性的，在不同的loss basin中可能有许多解，因此Module soup这一采用保留所有微调模型的权重，对其进行平均的方法就可以提高性能，还是让人有点惊讶的。

不过，最近就已有研究发现，从相同的初始化配置中中独立优化的微调模型，位于相同的误差范围内 （lie in the same basin of the error landscape）。

之前也有研究证明，沿单个训练轨迹进行权重平均，可以提高随机初始化训练模型的性能。

作者正是从这些结论中受到启发。

Module soup一共有三种“配方”（实现）：统一汤（uniform soup）、贪婪汤（greedy soup）和学习汤（learned soup）。

其中greedy soup是最主要采用的实现，因为它的性能比直接均匀地平均所有权重更高。

具体来说，Greedy soup通过顺序添加每个模型作为“汤”中的潜在成分构建而成，并且只有在保持验证集上的性能有所提高时才将相应模型保留在“汤”中。

排序按验证集精度的降序排列。

性能超越单个最佳微调模型

作者进行了全面的微调实验来确定Module soup的有效性。

首先是微调CLIP和ALIGN，这两个模型在图像-文本对上进行了对比损失预训练。

结果经过module soup操作后，两者在分布内和自然分布转移（distribution shifts）测试集上的表现都比最佳的单个微调模型性能更佳。

然后是在JFT数据集上预训练的ViT-G模型。

也就是它在ImageNet1K数据集实现了90.94%的精度，打破了此前CoAtNet保持的90.88%，同时在推理阶段还减少了25%的FLOPs。

在图像分类任务以外，作者在NLP领域也对module soup进行了验证。

下表是BERT和T5模型在GLUE benchmark的四个文本分类任务上的结果：

可以发现，虽然改进不如图像分类中的效果明显，但在多数任务下，greedy soup都可以相较最好的单个模型提高性能。

当然，作者也指出，module soup在适用性等方面存在局限，比如现在测试的都是在大型异构数据集上预先训练的模型，在这些模型之外，效果并不是非常明显。

最后，知乎网友@宫酱手艺人表示，其实这样的模型参数平均是一个经典trick，transformer原始论文就用了。

你发现了吗？

论文地址：
https://arxiv.org/abs/2203.0548

知乎@宫酱手艺人、@hzwer回答（已授权）：https://www.zhihu.com/question/521497951

“