本文经AI新媒体量子位（公众号ID:QbitAI）授权转载，转谷歌载请联系出处。

谷歌大脑的视觉Transformer团队（ViT），大脑搞了个复古操作。

他们不用卷积神经网络（CNN）、也不用Transf最新ormer，仅凭最早的AI视觉任务采用的多层感知机（MLP）结构，就实现操作了接近SOTA的性能，更是在ImageNet图像分类任务上取得玩“了87.94%的准确率。

这个架构名为MLP-Mixer，采用两种复古不同类型的MLP层，可以看做是一个特殊的CNN，使用 1×1卷积进行”：通道混合（按位操作），同时全感受野和参数共享的的单通道深度卷积进不用行字符混合（跨位操作）。

在JFT-300M数据集上预训练、微调卷积到224分辨率的Mixer-H/14版本取得了86.32%的准确率，注意比SOTA模型ViT-H/14仅低0.3%，但运行速度是其2.2力，倍。

论文地址：
https://arxiv.org/abs/2105.图像01601

项目地址：
https://github.com/goo分类gle-research/vision_transformer接近/tree/linen