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Tr最新ansformer，仅凭最早的AI视觉任务采用的多层感知机（MLP操作）结构，就实现了接近SOTA的性能，更是在ImageNet图像分类任玩“务上取得了87.94%的准确率。

这个架构名为MLP-Mixer复古，采用两种不同类型的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不用单通道深度卷积进行字符混合（跨位操作）。

在JFT-300M数据集上预训卷积练、微调到224分辨率的Mixer-H/14版本取得了86.3注意2%的准确率，比SOTA模型ViT-H/14仅低0.3%，但运行速度是力，其2.2倍。

论文地址：
https://arxiv.org/abs/21图像05.01601

项目地址：
https://github.com分类/google-research/vision_transfo接近rmer/tree/linen