本文经AI新媒体量子位（公众号ID:QbitAI）授权转载，转载请联系出处。
谷歌大脑的视觉Transformer团队（ViT），搞了个复古操作。
他们不用卷积神经网络（CNN）、也不用Transformer，仅凭最早的AI视觉任务采用的多层感知机（MLP）结构，就实现了接近SOTA的性能，更是在ImageNet图像分类任务上取得了87.94%的准确率。
这个架构名为MLP-Mixer，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数据集上预训练、微调到224分辨率的Mixer-H/14版本取得了86.32%的准确率，比SOTA模型ViT-H/14仅低0.3%，但运行速度是其2.2倍。
论文地址：
https://arxiv.org/abs/2105.01601
项目地址：
https://github.com/google-research/vision_transformer/tree/linen