多模态 RAG实现（附完整代码）

导言

RAG系统作为减少大模型幻觉以及提供更多垂类专业知识的系统，实现在很大范围之内被使用，目前也有非常多的研究以及系统在支持多模态内容和知识的RAG。

多模态大模型

多模态检索增强生成是一种新兴的设计范式，它允许AI模型与文本、图像、视频等存储进行交互。

在探讨这个主题时，我们首先会介绍检索增强生成（RAG）的概念，多模态的概念，以及如何将这两者结合起来制作现代多模态RAG系统。一旦我们理解了多模态RAG的基本概念，我们将使用Google Gemini和CLIP风格的编码模型来构建一个多模态RAG系统。

这对谁有用？ 想了解多模态大模型的所有人

谁能看懂？ 尽管多模态RAG处于AI的最前沿，但它在直观上是简单易懂的。这篇文章应该会吸引高级AI研究人员的兴趣，同时也简单到可以让初学者理解。

RAG简要介绍

在我们深入讨论多模 RAG 之前，让我们简要地回顾一下传统的检索增强生成（RAG）。基本上，RAG 的理念是找到与用户查询相关的信息，然后将该信息注入到提示中，并将其传递给语言模型。

RAG 系统的检索通常是语义相关的，因为使用了“嵌入”。基本上，embedding嵌入使我们可以将 AI 模型将信息转换为某种表示该信息的向量。

这个过程是通过一组参考文档以及用户的查询来完成的。可以计算这些向量之间的距离，最接近文档和用户查询之间的距离被认为是最相关的。

一旦 RAG 系统检索到足够的相关信息，用户的查询和相关文档将被用于构建一个增强提示，然后传递给语言模型进行生成。

"根据以下上下文回答客户的提示：``==== 上下文：{文档标题} ====`              `{文档内容}`              `   ``...`              `   ``提示：{提示}"

这个一般系统通常假设整个知识库由可以传递给语言模型的文本组成，但许多知识来源包含的远不止文本。可能还有音频、视频、图像等。这就是多模态RAG 的用武之地。

在我们讨论多模 RAG 之前，让我们简要探讨一下多模性的概念。

多模态

在数据科学中，“模态”本质上是一种数据类型。文本、图像、音频、视频、表格，这些都可以被视为不同的“模态”。长期以来，这些不同类型的数据被视为彼此分离，需要数据科学家创建一个模型来处理文本，另一个模型来处理视频等。近年来，这种概念已经消失，能够理解和处理多种模态的模型变得更加高效和更易获取。这些能够理解多种类型数据的模型通常被称为“多模态模型”。

多模态模型的概念通常围绕着“联合embedding”的想法。基本上，联合embedding是一种模型建模策略，强制模型同时学习不同类型的数据。在这一领域的里程碑论文之一是 CLIP，它能够执行与图像和文本相关的任务。

自从 CLIP 以来，已经创建了各种模型策略，以某种方式对齐图像和文本。各种新模型正在涌现，可以处理多种类型的数据。

多模态和 RAG 的发展引发了人工智能的新趋势：在多种模态中进行 RAG。

多模态RAG

多模态RAG的想法是允许RAG系统以某种方式将多种形式的信息注入到多模态模型中。因此，多模态RAG系统可能检索基于用户提示的文本、图像、视频和其他不同模态的数据，而不仅仅是检索文本片段。

就目前而言，有三种流行的方法可以实现多模态RAG。

方法1：共享向量空间

多模态 RAG 的一种方法是使用一个嵌入空间，该嵌入适用于多种模态（类似于CLIP，如前所述）。基本上，您通过一堆编码器传递数据，这些编码器被设计为相互协作，然后检索出所有模态中与用户查询最相似的数据。

方法2：单一基础模态

多模态 RAG 的另一种方法是将所有数据模态转换为单一模态，通常是文本。

在很多需要精确策略的时候经常会使用该方法（我们称之为“多模态转换”）。虽然这种策略在理论上存在着信息在转换过程中可能会丢失的微妙风险，但实际上我们发现，对于许多应用来说，这种方法可以实现非常高质量的结果，而复杂度相对较低。另外就是方便debug

方法3：分离检索

第三种方法是使用一系列设计用于处理不同形式的模型。在这种情况下，您将在不同的模型之间进行多次检索，然后将它们的结果合并。

如果您有多种模型需要能够构建和优化不同形式，或者如果您只是使用现有建模解决方案中不可用的形式，这可能会很有用。

Google Vertex

实现多模态 RAG

现在我们对多模态 RAG 有了一个大致的了解，让我们用一个简单的例子来实验一下。我们将跨三个信息片段进行检索

1. 一个音频文件，例如竖琴演奏家是 Turlough O’Carolan

2. 一张包含洛伦兹吸引子图片的图像

3. 《西线无战事》维基百科文章的摘录

利用这些数据，我们将构建一个简单的 RAG 系统，可以回答“谁是我的最喜欢的竖琴演奏家？”的问题

文本中的音频定位

可以找到支持音频、图像和文本的编码器，但它们比仅支持图像和文本的编码器更为神秘。

我计划在 Google Vertex 上撰写一篇全面的文章，测试一些这些不太常见的数据科学应用/模态的能力。

不过，为了简化我们的生活，我们将使用语音转文本模型将我们的音频转换为文本。

     **embedding**

现在我们已经将我们的音频转换为文本表示，我们可以使用 CLIP 风格的模型来编码我们的图像和文本。

如果对 CLIP 风格的模型不熟悉，它们是一种可以理解如何表示图像和文本，使得相似的事物具有相似向量的模型。我有一整篇关于这个主题的文章

然后，可以解压这些结果，以获得文本、图像、音频和查询的编码，并计算数据与查询的差异。在这种情况下，我们将使用余弦相似度，这实质上是两个向量之间角度的度量。

对于余弦相似度，如果两个向量指向相同的方向，它们的余弦相似度就很高。

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

第一阶段（10天）：初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

• 大模型 AI 能干什么？
• 大模型是怎样获得「智能」的？
• 用好 AI 的核心心法
• 大模型应用业务架构
• 大模型应用技术架构
• 代码示例：向 GPT-3.5 灌入新知识
• 提示工程的意义和核心思想
• Prompt 典型构成
• 指令调优方法论
• 思维链和思维树
• Prompt 攻击和防范
• …

第二阶段（30天）：高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

• 为什么要做 RAG
• 搭建一个简单的 ChatPDF
• 检索的基础概念
• 什么是向量表示（Embeddings）
• 向量数据库与向量检索
• 基于向量检索的 RAG
• 搭建 RAG 系统的扩展知识
• 混合检索与 RAG-Fusion 简介
• 向量模型本地部署
• …

第三阶段（30天）：模型训练

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

• 为什么要做 RAG
• 什么是模型
• 什么是模型训练
• 求解器 & 损失函数简介
• 小实验2：手写一个简单的神经网络并训练它
• 什么是训练/预训练/微调/轻量化微调
• Transformer结构简介
• 轻量化微调
• 实验数据集的构建
• …

第四阶段（20天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

• 硬件选型
• 带你了解全球大模型
• 使用国产大模型服务
• 搭建 OpenAI 代理
• 热身：基于阿里云 PAI 部署 Stable Diffusion
• 在本地计算机运行大模型
• 大模型的私有化部署
• 基于 vLLM 部署大模型
• 案例：如何优雅地在阿里云私有部署开源大模型
• 部署一套开源 LLM 项目
• 内容安全
• 互联网信息服务算法备案
• …

学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。

如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】