CV领域最近几年发展火热，各种先进算法、模型层出不穷，CV领域的科研工作者和从业者也被迫需要天天学习新的structure，幻想有朝一日能够提出实现SOTA的方法。图像识别兜兜转转，居然从MLP开始经过CNN、Transformer又回到了MLP，近日，谷歌大脑团队提出的MLP-Mixer又引发了CV领域的浪潮，论文发布在arXiv，仔细发现参与的研究者大多也是Vision Transformer（ViT）的提出者，通过论文中的实验结论我们可以发现MLP-Mixer在JFT-300M数据集上的识别精度相比ViT并未提高太多，当数据集的数量较小时其识别精度不如ViT，那么MLP-Mixer的创新究竟在哪呢？其实主要在于MLP-Mixer的提出者们通过MLP-Mixer证实了ViT真正起到作用的是将图像分成若干个patch的方法以及通过patch embedding layer得到的patch embedding，而非自注意力机制，所以MLP-Mixer丢弃了原有的Transformer的所有结构，主要因为Transformer结构非常复杂，随之替代的是Mixer Layer且其内部全为矩阵乘法运算和全连接层，并且MLP-Mixer的宏观框架中仍不含有任何卷积操作。
当然，Mixer Layer中包含着两个极其重要的操作，也为Mixer Layer的核心，即通道信息融合和位置信息融合。我们发现MLP-Mixer的patch embedding layer的输出并没有加上每个补丁对应的位置嵌入。由于每个图像补丁形成一个序列用来表示整张图像，所以不可能没有位置信息。那么MLP-Mixer中的Mixer Layer的位置信息融合操作即为之前的位置嵌入。
那么哪一部分是通道信息融合哪一部分是位置信息融合呢？通过上图一目了然，层归一化得到的每一行代表每个patch，每一列自然表示patch的channel，将其进行转置再连接线性层即为位置信息融合（位置信息融合位置为变量此时保持channel不变），得到输出再做转置还原为Mixer Layer的输入形状，再接入线性层得到通道信息的融合（此时通道为变量应保持位置不变）。
整体结构如下：
其他看点：
1.激活函数使用的是GELU（高斯误差线性单元）
2.学习率衰减策略：Linear Warmup