Structure design for Video

[LEM0NTE]

您好, 我关注到您的工作探索了local和global的结构设计, 从LLLL到GGGG. 我想基于您的这个实验测试GGGG的网络性能. 请问是把模型的四个stage都改为SABlock就可以了嘛? 同时看到你论文里说为了保证参数量和计算量的接近, 您使用了MViT的结构参数。但我用【1，2，11，2】测试的时候发现参数量和计算量高出了很多。所以想请问您对GGGG这个实验时采用的具体参数。包括网络层数，head_dim = 32等等。不知道您是否能提供训练时的train.sh以及train.yaml两个配置文件，这样会很清晰。感谢您的工作！

[Andy1621]

因为我已经从之前的组里离职，当时的ablation实验没有保存对应的config，对于GGGG，在第一个和第二个stage使用肯定计算量会多很多的，所以需要使用MViT的结果，对KV的token进行下采样，MViT论文中使用的是dw conv进行下采样。 对于训练超参，都是一样的，不需要修改。

[LEM0NTE]

因为我已经从之前的组里离职，当时的ablation实验没有保存对应的config，对于GGGG，在第一个和第二个stage使用肯定计算量会多很多的，所以需要使用MViT的结果，对KV的token进行下采样，MViT论文中使用的是dw conv进行下采样。 对于训练超参，都是一样的，不需要修改。

首先感谢您的耐心解答。我查看了MViT的代码，他们在前三个stage都用了3*3，步长为8，4，2的卷积对KV进行下采样。但是他们的具体实现细节和SABlock略有不同。比如残差链接部分以及patch embed部分。所以您还记得在测试GGGG时，是严格按照MViT进行实现，还是只在SABlock上对KV做了一次卷积呢？此外他们的基础版本层数为【1，2，11，2】，您也是按照这个设置进行的测试嘛？希望您能对相关细节给尽可能详细的描述，再次感谢您的工作！祝您工作顺利！

[Andy1621]

需要声明的是，作为ablation，并没有严格一致的设置，只能尽可能地保证相近计算量和参数量。 所以你说的，“stage”、“步长”、“层数”等，都是可以由你自己决定的变量，我当时是尽可能保持层数、计算量和参数量一致，由于层数对计算量影响较大，GGGG的层数会相对少一些，但都保证第二第三层较多，第一第四层较少。

最后的话，你可以明确一下你跑GGGG的目的，如果只是为了做ablation的话，并不需要也没有必要保持和我原论文一致的setting，但要尽可能保证计算量和参数量相似；如果是为了探究GGGG这种类型的结构，那你大可随意发挥的。

[LEM0NTE]

好的谢谢您~主要是因为我在尝试用四个SABlock来做训练的时候，模型收敛的速度相比LLGG明显慢很多。而且精度也差了不少，所以想尽可能还原您论文中的那种设置。 插句题外话，通过一系列的对比实验验证，Uniformer真的是非常棒的工作，再次感谢您的耐心解答~

[Andy1621]

对的，GGGG的收敛和精度都会差不少。十分感谢你的尝试，有问题随时提问！