摘要

训练高效的深度视频模型，其耗时比相应的图像模型高一个数量级。训练速度缓慢导致研究周期延长，严重制约了视频理解领域的进展。在遵循图像模型训练的常规做法下，视频模型训练通常采用固定的最小批量（mini-batch）形状：即固定数量的视频片段、帧数和空间尺寸。然而，最优的批量形状究竟为何？高分辨率模型虽性能优异，但训练效率低下；低分辨率模型训练较快，却精度不足。受数值优化中多网格方法（multigrid methods）的启发，我们提出采用可变的最小批量形状，其时空分辨率按预定调度策略动态调整。不同的批量形状通过在多个采样网格上对训练数据进行重采样实现。当其他维度缩小的同时，通过扩大批量大小和学习率，显著加速训练过程。我们通过实验验证了一种通用且稳健的网格调度策略，在不损失准确率的前提下，显著提升了多种模型（I3D、非局部网络、SlowFast）、数据集（Kinetics、Something-Something、Charades）以及不同训练设置（是否预训练、使用128块GPU或仅1块GPU）下的训练速度。以典型示例说明，所提出的多网格方法在相同硬件条件下，使ResNet-50 SlowFast网络的训练速度提升4.5倍（按实际运行时间计算），同时在Kinetics-400数据集上的准确率还提升了0.8个百分点（绝对值）。相关代码已公开发布。