【3万字代码解读】DA-CLIP/open_clip模型创建、模型配置读取、预训练权重地址读取

本文目标 

对app.py文件中DA-CLIP模型的创建过程中模型配置读取、预训练权重地址读取、相关参数等代码进行解析。下面是DA-CLIP模型的创建过程执行的代码

 clip_model, preprocess = open_clip.create_model_from_pretrained('daclip_ViT-B-32', pretrained=opt['path']['daclip'])

输入的参数
# 自定义的daclip_ViT-B-32模型名称，该模型基于VIT-B-32训练
# pretrained用的是test.yml的模型地址，，读取pt文件

clip_model = clip_model.to(device)

本文当初写的时候主要是对我探究过程的一个记录， 不想看过程的也可以直接看结果。

小结 

最外层：open_clip\factory.py

open_clip.create_model_and_transforms，open_clip.create_model_from_pretrained

次外层：open_clip\factory.py

create_model（）

第三层：

这个比较多样。以openai模型为例，open_clip\openai.py。还有CoCa、CustomTextCLIP、CLIP等直接创建类实例，而非第五层才创建，该途径需要根据create_model（）输入的custom_text布尔值设置。具体见create_model（）

load_openai_model()

第四层:open_clip\model.py

以openai模型为例

build_model_from_openai_state_dict（）

第五层：

CLIP类、CustomTextCLIP类 open_clip\model.py

CoCa类 open_clip\coca_model.py

 DA-CLIP接受一个CLIP实例作为参数初始化

def __init__(self, clip_model: CLIP):

一、daclip_ViT-B-32.json模型配置读取 

open_clip.create_model_from_pretrained（）根据模型配置和预训练权重加载模型

这是调用universal-image-restoration文件夹下open_clip包的init.py中，从factory.py定义的函数。

yml文件提供了对应预训练权重路径，已读取到opt['path']['daclip']参数中。

返回的clip_model 是加载的 CLIP 模型。函数定义如下：

def create_model_from_pretrained(
        model_name: str,
        pretrained: Optional[str] = None,
        precision: str = 'fp32',
        device: Union[str, torch.device] = 'cpu',
        jit: bool = False,
        force_quick_gelu: bool = False,
        force_custom_text: bool = False,
        force_image_size: Optional[Union[int, Tuple[int, int]]] = None,
        return_transform: bool = True,
        image_mean: Optional[Tuple[float, ...]] = None,
        image_std: Optional[Tuple[float, ...]] = None,
        cache_dir: Optional[str] = None,
):
    model = create_model(
        model_name,
        pretrained,
        precision=precision,
        device=device,
        jit=jit,
        force_quick_gelu=force_quick_gelu,
        force_custom_text=force_custom_text,
        force_image_size=force_image_size,
        cache_dir=cache_dir,
        require_pretrained=True,
    )
 
    if not return_transform:
        return model
 
    image_mean = image_mean or getattr(model.visual, 'image_mean', None)
    image_std = image_std or getattr(model.visual, 'image_std', None)
    preprocess = image_transform(
        model.visual.image_size,
        is_train=False,
        mean=image_mean,
        std=image_std,
    )
 
    return model, preprocess

这个函数的设计允许用户灵活地创建和定制模型，包括选择不同的预训练权重来源、设置运行精度、移动设备、以及加载预处理配置等。

继续深挖该函数寻找'daclip_ViT-B-32'配置藏在哪里，我们可以发现该str为create_model()的输入参数，同级目录下的create_model()函数将近160行代码

深挖：factor.py下的create_model()寻找'daclip_ViT-B-32'配置

def create_model(
        model_name: str,
        pretrained: Optional[str] = None,
        precision: str = 'fp32',
        device: Union[str, torch.device] = 'cpu',
        jit: bool = False,
        force_quick_gelu: bool = False,
        force_custom_text: bool = False,
        force_patch_dropout: Optional[float] = None,
        force_image_size: Optional[Union[int, Tuple[int, int]]] = None,
        pretrained_image: bool = False,
        pretrained_hf: bool = True,
        cache_dir: Optional[str] = None,
        output_dict: Optional[bool] = None,
        require_pretrained: bool = False,
):

 参数解释

• model_name: 模型名称，用于指定要创建的模型类型。
• pretrained: 预训练权重的来源，可以是一个URL、文件路径或预训练模型的名称。
• precision: 指定模型运行时的数值精度，如 'fp32', 'fp16', 'bf16' 等。
• device: 指定模型应该运行在的设备，如 'cpu' 或具体的GPU设备名称。
• jit: 是否将模型转换为 PyTorch 的 JIT（Just-In-Time）编译版本。
• force_quick_gelu: 是否强制使用 QuickGELU 激活函数。
• force_custom_text: 是否强制使用自定义的文本编码器。
• force_patch_dropout: 是否强制设置特定的补丁丢弃（patch dropout）值。
• force_image_size: 是否强制设置特定的图像大小。
• pretrained_image: 是否预训练图像塔（image tower）。
• pretrained_hf: 是否使用预训练的Hugging Face（HF）文本模型。
• cache_dir: 缓存目录，用于存储下载的预训练权重和配置文件。
• output_dict: 是否将模型的输出格式设置为字典。

代码逻辑配置加载和预训练参数地址加载过程

1.model_name 初步判断：Hugging Face模型检测

has_hf_hub_prefix = model_name.startswith(HF_HUB_PREFIX)
    if has_hf_hub_prefix:
        model_id = model_name[len(HF_HUB_PREFIX):]
        checkpoint_path = download_pretrained_from_hf(model_id, cache_dir=cache_dir)
        config_path = download_pretrained_from_hf(model_id, filename='open_clip_config.json', cache_dir=cache_dir)

        with open(config_path, 'r', encoding='utf-8') as f:
            config = json.load(f)
        pretrained_cfg = config['preprocess_cfg']
        model_cfg = config['model_cfg']
    else:
        model_name = model_name.replace('/', '-')  # for callers using old naming with / in ViT names
        checkpoint_path = None
        pretrained_cfg = {}
        model_cfg = None

检查 model_name 是否以Hugging Face Hub的前缀开头，如果是，说明用户希望从HF Hub加载模型，函数会下载相应的配置文件和预训练权重。

否则，根据 model_name 加载或设置模型配置。如果 model_name 包含特定的路径分隔符（如'/'），则将其替换为连字符（'-'），以匹配新的命名约定。

2.pretrained判断，该代码读取了daclip模型配置和预训练模型参数

代码很长就不完全截取，只选取与daclip有关部分

输入参数为model_name='daclip_ViT-B-32', pretrained=opt['path']['daclip']

  elif "daclip" in model_name:
                clip_model = CLIP(**model_cfg, cast_dtype=cast_dtype)
                model = DaCLIP(clip_model)

读取配置的简要伪代码上下文： 

1. 如果指定了 pretrained 参数并且其值为 'openai'，则从OpenAI加载预训练模型。
2. 否则，model_cfg = model_cfg or get_model_config(model_name)
   1. 如果 custom_text值存在
      1. model_name 包含 'coca'
      2.  model_name 包含'daclip'，则创建特定的模型实例DaCLIP。

在else中根据model_name进行了判断，，

model_cfg，是上文Hugging Face模型名称检测中生成的变量，显然daclip不满足该判断。model_cfg为返回值NONE，执行get_model_config（）

def get_model_config(model_name):
    if model_name in _MODEL_CONFIGS:
        return deepcopy(_MODEL_CONFIGS[model_name])
    else:
        return None

重返该factor.py文件头部代码查找相关函数和变量，定义了模块级别变量，并执行了模型配置文件扫描函数。

HF_HUB_PREFIX = 'hf-hub:'
_MODEL_CONFIG_PATHS = [Path(__file__).parent / f"model_configs/"]
_MODEL_CONFIGS = {}  # directory (model_name: config) of model architecture configs


def _natural_key(string_):
    return [int(s) if s.isdigit() else s for s in re.split(r'(\d+)', string_.lower())]


def _rescan_model_configs():
    global _MODEL_CONFIGS

    config_ext = ('.json',)
    config_files = []
    for config_path in _MODEL_CONFIG_PATHS:
        if config_path.is_file() and config_path.suffix in config_ext:
            config_files.append(config_path)
        elif config_path.is_dir():
            for ext in config_ext:
                config_files.extend(config_path.glob(f'*{ext}'))

    for cf in config_files:
        with open(cf, 'r') as f:
            model_cfg = json.load(f)
            if all(a in model_cfg for a in ('embed_dim', 'vision_cfg', 'text_cfg')):
                _MODEL_CONFIGS[cf.stem] = model_cfg

    _MODEL_CONFIGS = {k: v for k, v in sorted(_MODEL_CONFIGS.items(), key=lambda x: _natural_key(x[0]))}


_rescan_model_configs()  # initial populate of model config registry

结论：daclip_ViT-B-32.json模型配置定义在model_configs目录下。

配置如下

{
    "embed_dim": 512,
    "vision_cfg": {
        "image_size": 224,
        "layers": 12,
        "width": 768,
        "patch_size": 32
    },
    "text_cfg": {
        "context_length": 77,
        "vocab_size": 49408,
        "width": 512,
        "heads": 8,
        "layers": 12
    },
    "custom_text": true
}

配置解读:

• embed_dim: 嵌入维度，这是模型中嵌入层的维度。在这个配置中，嵌入维度被设置为 512。

• vision_cfg: 视觉配置对象，包含了构建视觉塔（处理图像的神经网络部分）所需的配置信息：

  • image_size: 输入图像的大小，这里设置为 224x224 像素。
  • layers: 视觉塔中的层数，这里设置为 12 层。
  • width: 视觉塔中层的宽度，即每层的神经元数量，这里设置为 768。
  • patch_size: 图像分块（patch）的大小，这是视觉变换器中使用的图像分割大小，这里设置为 32x32 像素。

• text_cfg: 文本配置对象，包含了构建文本处理部分（如文本编码器）所需的配置信息：

  • context_length: 上下文长度，即模型在处理文本时考虑的最大长度，这里设置为 77 个token。
  • vocab_size: 文本词汇表的大小，这里设置为 49,408 个不同的token。
  • width: 文本处理部分的宽度，即每层的神经元数量，这里设置为 512。
  • heads: 多头注意力机制中的头数，这里设置为 8 个头。
  • layers: 文本处理部分的层数，这里设置为 12 层。

• custom_text: 一个布尔值，指示是否使用自定义的文本处理配置。这里设置为 true，意味着模型将使用特定的文本处理设置，而不是默认的配置。

二、读取pretrained预训练权重地址

还是在create_model()函数中

 if pretrained:
        checkpoint_path = ''

        f "daclip" in model_name:    
             pretrained_cfg = get_pretrained_cfg(model_name[7:], pretrained)

        else:
           pretrained_cfg = get_pretrained_cfg(model_name, pretrained)

        if pretrained_cfg:
           checkpoint_path = download_pretrained(pretrained_cfg, cache_dir=cache_dir)

        elif os.path.exists(pretrained):
           checkpoint_path = pretrained

 pretrained_cfg = get_pretrained_cfg(model_name[7:], pretrained)

如果模型名称包含 "daclip"，则调用 get_pretrained_cfg 函数来获取与模型名称后缀（去掉 "daclip" 前缀的部分）和预训练配置相关的信息。

这里 model_name[7:] 是因为 "daclip" 通常是模型名称的前缀。

该get_pretrained_cfg函数在pretrained.py中,该文件包含所有读取预训练权重文件的配置

def get_pretrained_cfg(model: str, tag: str):
    if model not in _PRETRAINED:
        return {}
    model_pretrained = _PRETRAINED[model]
    return model_pretrained.get(_clean_tag(tag), {})

 对 model_name='daclip_ViT-B-32' 执行 model_name[7:] 将会返回字符串 'ViT-B-32'。

 

 尽管model_pretrained获取了模型名称对应的地址字典，由于返回函数中执行模型路径判断.get(），对清理后的_clean_tag(tag)，即本地test.yml设置的模型参数地址。显然字典里是没有该本地地址的。所以最后函数返回{}。

    return model_pretrained.get(_clean_tag(tag), {})

def _clean_tag(tag: str):
    # normalize pretrained tags
    return tag.lower().replace('-', '_')

 再次回看代码判断，故执行最后一个elseif

   elif os.path.exists(pretrained):
           checkpoint_path = pretrained

成功读取到本地权重地址。

继续进行下列代码。

 if checkpoint_path:
                logging.info(f'Loading pretrained {model_name} weights ({pretrained}).')
                if pretrained_cfg and "daclip" in model_name:
                    load_checkpoint(model.clip, checkpoint_path)
                    model.initial_controller()
                    model.lock_clip()

load_checkpoint()函数加载预训练权重到模型实例

def load_checkpoint(model, checkpoint_path, strict=True):
    state_dict = load_state_dict(checkpoint_path)
    # detect old format and make compatible with new format
    if 'positional_embedding' in state_dict and not hasattr(model, 'positional_embedding'):
        state_dict = convert_to_custom_text_state_dict(state_dict)
    resize_pos_embed(state_dict, model)
    incompatible_keys = model.load_state_dict(state_dict, strict=strict)
    return incompatible_keys

参数解释

• model: 要加载预训练权重的模型实例。
• checkpoint_path: 预训练权重文件的路径。
• strict: 布尔值，指示在加载状态字典时是否要求模型和权重的键完全匹配。

函数逻辑

1. state_dict = load_state_dict(checkpoint_path): 调用 load_state_dict 函数来加载指定路径下的预训练权重文件，并将其内容存储在 state_dict 变量中。

2. 接下来的代码块检查 state_dict 中是否存在 positional_embedding 键，并且模型实例中没有 positional_embedding 属性。这可能意味着模型的结构已经更新，而预训练权重是按照旧格式保存的。

3. 如果检测到这种情况，调用 convert_to_custom_text_state_dict 函数来将权重转换成与新模型格式兼容的形式。

4. resize_pos_embed(state_dict, model): 调用 resize_pos_embed 函数来调整（如果需要的话）位置嵌入（positional embedding）的大小，以匹配模型的期望大小。

5. incompatible_keys = model.load_state_dict(state_dict, strict=strict): 使用 load_state_dict 方法将处理后的 state_dict 加载到模型中。这个方法会尝试匹配并加载所有键，如果 strict 为 True，那么只有完全匹配的键才会被加载，不匹配的键将被报告为不兼容的键。如果 strict 为 False，那么即使键不完全匹配，也会尝试加载权重。

6. return incompatible_keys: 返回一个包含不兼容键的列表，这些键在加载过程中没有被加载到模型中。

返回值

函数返回一个列表，包含在加载过程中检测到的不兼容键。

总结

load_checkpoint 函数负责加载预训练权重到模型实例中，并处理可能的格式不兼容问题。这个函数确保了即使在模型结构发生变化的情况下，也能够尽可能地加载预训练权重。通过返回不兼容的键，它还提供了有关哪些权重未能加载的信息，这对于调试和进一步的模型调整非常有用

load_checkpoint(model.clip, checkpoint_path)
model.initial_controller()
model.lock_clip()

 该代码依赖于读取配置阶段执行生成的model实例

三、model.py和daclip_model.py的CLIP模型加载

尽管我们在open_clip文件夹下的factory.py找到了模型配置。并有了create_model()和create_model_from_pretrained()的相关默认参数配置，然而这些都只是外层包装，更深入的代码需要我们查看model.py中的CLIP()和daclip_model.py下的DACLIP()

  elif "daclip" in model_name:
                clip_model = CLIP(**model_cfg, cast_dtype=cast_dtype)
                model = DaCLIP(clip_model)

1. clip_model = CLIP(**model_cfg, cast_dtype=cast_dtype): 这行代码创建了一个 CLIP 类的实例，名为 clip_model。这个类的实例化是通过传递 model_cfg 字典中的配置参数以及 cast_dtype 参数来完成的。model_cfg 包含了初始化 CLIP 模型所需的配置，如嵌入维度、视觉和文本配置等。

2. model = DaCLIP(clip_model): 紧接着，使用刚刚创建的 clip_model 实例作为参数，创建了另一个类的实例，名为 model。这个类是 DaCLIP，它是 CLIP 类的一个扩展或变体，用于实现特定的功能或适配。

• **model_cfg: 这是 Python 中的参数解包语法，它将 model_cfg 字典中的键值对作为关键字参数传递给 CLIP 类的构造函数。例如，如果 model_cfg 包含了 {'embed_dim': 512, 'vision_cfg': {...}, 'text_cfg': {...}}，那么这些键值对将会被用作 CLIP 类构造函数的参数。
• cast_dtype: 这是一个变量，它指定了模型参数和激活值的数据类型。这个参数可能会被用来设置模型的精度，例如在混合精度训练中使用 torch.float16 或 torch.bfloat16。

关于cast_dtype,根据create_model()的预设参数和处理函数

precision: str = 'fp32'

cast_dtype = get_cast_dtype(precision)

结合model.py 中get_cast_dtyp()的定义，可了解该处理流程

def get_cast_dtype(precision: str):
    cast_dtype = None
    if precision == 'bf16':
        cast_dtype = torch.bfloat16
    elif precision == 'fp16':
        cast_dtype = torch.float16
    return cast_dtype

clip_model = CLIP(**model_cfg, cast_dtype=cast_dtype) 根据模型配置文件初始化模型

下文只对init()和配置参数传递流程解读，该类下的其他方法可参考

open_clip仓库成分与模型文件model.py 介绍http://t.csdnimg.cn/rirBq

初始化_init_()

    def __init__(
            self,
            embed_dim: int,
            vision_cfg: CLIPVisionCfg,
            text_cfg: CLIPTextCfg,
            quick_gelu: bool = False,
            cast_dtype: Optional[torch.dtype] = None,
            output_dict: bool = False,
    ):
        super().__init__()
        self.output_dict = output_dict
        self.visual = _build_vision_tower(embed_dim, vision_cfg, quick_gelu, cast_dtype)

        text = _build_text_tower(embed_dim, text_cfg, quick_gelu, cast_dtype)
        self.transformer = text.transformer
        self.context_length = text.context_length
        self.vocab_size = text.vocab_size
        self.token_embedding = text.token_embedding
        self.positional_embedding = text.positional_embedding
        self.ln_final = text.ln_final
        self.text_projection = text.text_projection
        self.register_buffer('attn_mask', text.attn_mask, persistent=False)

        self.logit_scale = nn.Parameter(torch.ones([]) * np.log(1 / 0.07))

参数 

• embed_dim: 嵌入维度，这是模型中嵌入层的维度。
• vision_cfg: 图像配置对象，包含了构建视觉塔（处理图像的神经网络部分）所需的配置信息。
• text_cfg: 文本配置对象，包含了构建文本处理部分（如文本编码器）所需的配置信息。
• quick_gelu: 布尔值，指示是否使用快速的GELU（Gaussian Error Linear Unit）激活函数。
• cast_dtype: 可选参数，指定数据类型，用于将模型参数转换为指定的数据类型。
• output_dict: 布尔值，指示模型输出是否应该是一个字典。

方法体解释

• super().__init__(): 调用父类的构造函数。
• self.output_dict = output_dict: 存储传入的output_dict参数，这可能影响模型输出的格式。
• self.visual = _build_vision_tower(...): 调用一个内部函数_build_vision_tower来构建视觉塔，并存储结果。
• text = _build_text_tower(...): 调用一个内部函数_build_text_tower来构建文本塔，并存储结果。
• self.transformer = text.transformer: 从文本塔中提取变换器（transformer）模块。
• self.context_length = text.context_length: 存储文本塔的上下文长度。
• self.vocab_size = text.vocab_size: 存储文本塔的词汇表大小。
• self.token_embedding = text.token_embedding: 存储文本塔的词嵌入层。
• self.positional_embedding = text.positional_embedding: 存储文本塔的位置嵌入层。
• self.ln_final = text.ln_final: 存储文本塔的最终层归一化（Layer Normalization）。
• self.text_projection = text.text_projection: 存储文本塔的文本投影层。
• self.register_buffer('attn_mask', text.attn_mask, persistent=False): 注册一个缓冲区，用于存储文本塔的注意力掩码（attention mask），这个掩码在自注意力机制中用于指示哪些位置应该被模型关注。
• self.logit_scale = nn.Parameter(torch.ones([]) * np.log(1 / 0.07)): 创建一个可学习的参数，用于缩放模型的输出（logits），初始化为一个全1的向量，乘以一个基于经验的对数缩放因子。

调用的 CLIPVisionCfg类进行视觉配置

class CLIPVisionCfg:
    layers: Union[Tuple[int, int, int, int], int] = 12
    width: int = 768
    head_width: int = 64
    mlp_ratio: float = 4.0
    patch_size: int = 16
    image_size: Union[Tuple[int, int], int] = 224

    ls_init_value: Optional[float] = None  # layer scale initial value
    patch_dropout: float = 0.  # what fraction of patches to dropout during training (0 would mean disabled and no patches dropped) - 0.5 to 0.75 recommended in the paper for optimal results
    input_patchnorm: bool = False  # whether to use dual patchnorm - would only apply the input layernorm on each patch, as post-layernorm already exist in original clip vit design
    global_average_pool: bool = False  # whether to global average pool the last embedding layer, instead of using CLS token (https://arxiv.org/abs/2205.01580)
    attentional_pool: bool = False  # whether to use attentional pooler in the last embedding layer
    n_queries: int = 256  # n_queries for attentional pooler
    attn_pooler_heads: int = 8  # n heads for attentional_pooling
    output_tokens: bool = False

    timm_model_name: str = None  # a valid model name overrides layers, width, patch_size
    timm_model_pretrained: bool = False  # use (imagenet) pretrained weights for named model
    timm_pool: str = 'avg'  # feature pooling for timm model ('abs_attn', 'rot_attn', 'avg', '')
    timm_proj: str = 'linear'  # linear projection for timm model output ('linear', 'mlp', '')
    timm_proj_bias: bool = False  # enable bias final projection
    timm_drop: float = 0.  # head dropout
    timm_drop_path: Optional[float] = None  # backbone stochastic depth

类是一个配置类，用于定义和存储与 CLIP 模型中视觉（图像处理）部分相关的配置参数。这个类提供了一系列的属性，允许用户自定义和初始化 CLIP 模型的视觉塔（Vision Transformer）的各种设置。下面是对这个类的主要属性的解释：

• layers: 视觉塔中的层数，可以是一个整数或者一个包含四个整数的元组，表示不同层的层数。
• width: 视觉塔中每层的宽度，即特征维度。
• head_width: 头部（分类器）的宽度，通常是视觉塔最后一层的特征维度。
• mlp_ratio: MLP（多层感知机）中的隐藏层宽度与输入层宽度的比率。
• patch_size: 图像分块的大小，决定了如何将图像切分成小块来输入模型。
• image_size: 输入图像的大小，可以是一个整数或者一个包含两个整数的元组，表示图像的宽度和高度。

接下来是一些与正则化和池化相关的选项：

• ls_init_value: 层尺度（Layer Scale）的初始值，用于正则化。
• patch_dropout: 训练过程中要丢弃的补丁（patch）的比例，用于正则化。
• input_patchnorm: 是否在每个补丁上使用输入层归一化（input layernorm）。
• global_average_pool: 是否使用全局平均池化来代替使用 CLS 标记的策略。
• attentional_pool: 是否在最后一层嵌入层使用注意力池化器（attentional pooler）。
• n_queries: 注意力池化器使用的查询数。
• attn_pooler_heads: 注意力池化器的头数。

最后是与使用 timm 库相关的配置选项：

• timm_model_name: 如果提供了有效的模型名称，将覆盖 layers, width, patch_size 等参数。
• timm_model_pretrained: 是否使用预训练的（在 ImageNet 上）timm 模型权重。
• timm_pool: timm 模型的特征池化类型。
• timm_proj: timm 模型输出的线性投影类型。
• timm_proj_bias: 是否在最终投影中启用偏置。
• timm_drop: 头部丢弃（head dropout）的比率。
• timm_drop_path: 背部随机深度（backbone stochastic depth）的比率。

调用的 CLIPTextCfg进行文本处理相关配置

class CLIPTextCfg:
    context_length: int = 77
    vocab_size: int = 49408
    width: int = 512
    heads: int = 8
    layers: int = 12
    ls_init_value: Optional[float] = None  # layer scale initial value
    hf_model_name: str = None
    hf_tokenizer_name: str = None
    hf_model_pretrained: bool = True
    proj: str = 'mlp'
    pooler_type: str = 'mean_pooler'
    embed_cls: bool = False
    pad_id: int = 0
    output_tokens: bool = False

CLIPTextCfg 类是一个配置类，用于定义和存储与 CLIP 模型中文本处理部分相关的配置参数。这个类提供了一系列的属性，允许用户自定义和初始化 CLIP 模型的文本塔（Text Transformer）的各种设置。下面是对这个类的主要属性的解释：

• context_length: 文本处理的上下文长度，即模型一次性处理的最大文本长度。
• vocab_size: 文本词汇表的大小，表示模型能够识别的不同词汇的数量。
• width: 文本塔中每层的宽度，即特征维度。
• heads: 多头注意力机制中的头数，用于并行处理信息。
• layers: 文本塔中的层数。
• ls_init_value: 层尺度（Layer Scale）的初始值，用于正则化。

接下来是与使用 Hugging Face（HF）相关的配置选项：

• hf_model_name: Hugging Face 模型的名称，用于加载预训练的文本模型。
• hf_tokenizer_name: Hugging Face 分词器的名称，用于将文本转换为模型可以理解的格式。
• hf_model_pretrained: 是否使用预训练的 Hugging Face 模型权重。

其他配置选项：

• proj: 文本投影的类型，这里是 'mlp'，表示使用多层感知机进行投影。
• pooler_type: 池化器的类型，这里是 'mean_pooler'，表示使用平均池化器来聚合文本信息。
• embed_cls: 是否将分类标记（通常是一个特殊的 [CLS] 标记）嵌入到文本中。
• pad_id: 填充标记的 ID，用于处理不同长度的文本序列。
• output_tokens: 是否输出每个文本标记的特征，而不是仅仅输出文本的整体表示

 _build_vision_tower()：根据提供的配置创建不同的视觉模型架构

def _build_vision_tower(
        embed_dim: int,
        vision_cfg: CLIPVisionCfg,
        quick_gelu: bool = False,
        cast_dtype: Optional[torch.dtype] = None
):
    if isinstance(vision_cfg, dict):
        vision_cfg = CLIPVisionCfg(**vision_cfg)

    # OpenAI models are pretrained w/ QuickGELU but native nn.GELU is both faster and more
    # memory efficient in recent PyTorch releases (>= 1.10).
    # NOTE: timm models always use native GELU regardless of quick_gelu flag.
    act_layer = QuickGELU if quick_gelu else nn.GELU

    if vision_cfg.timm_model_name:
        visual = TimmModel(
            vision_cfg.timm_model_name,
            pretrained=vision_cfg.timm_model_pretrained,
            pool=vision_cfg.timm_pool,
            proj=vision_cfg.timm_proj,
            proj_bias=vision_cfg.timm_proj_bias,
            drop=vision_cfg.timm_drop,
            drop_path=vision_cfg.timm_drop_path,
            patch_drop=vision_cfg.patch_dropout if vision_cfg.patch_dropout > 0 else None,
            embed_dim=embed_dim,
            image_size=vision_cfg.image_size,
        )
    elif isinstance(vision_cfg.layers, (tuple, list)):
        vision_heads = vision_cfg.width * 32 // vision_cfg.head_width
        visual = ModifiedResNet(
            layers=vision_cfg.layers,
            output_dim=embed_dim,
            heads=vision_heads,
            image_size=vision_cfg.image_size,
            width=vision_cfg.width,
        )
    else:
        vision_heads = vision_cfg.width // vision_cfg.head_width
        norm_layer = LayerNormFp32 if cast_dtype in (torch.float16, torch.bfloat16) else LayerNorm
        visual = VisionTransformer(
            image_size=vision_cfg.image_size,
            patch_size=vision_cfg.patch_size,
            width=vision_cfg.width,
            layers=vision_cfg.layers,
            heads=vision_heads,
            mlp_ratio=vision_cfg.mlp_ratio,
            ls_init_value=vision_cfg.ls_init_value,
            patch_dropout=vision_cfg.patch_dropout,
            input_patchnorm=vision_cfg.input_patchnorm,
            global_average_pool=vision_cfg.global_average_pool,
            attentional_pool=vision_cfg.attentional_pool,
            n_queries=vision_cfg.n_queries,
            attn_pooler_heads=vision_cfg.attn_pooler_heads,
            output_tokens=vision_cfg.output_tokens,
            output_dim=embed_dim,
            act_layer=act_layer,
            norm_layer=norm_layer,
        )

    return visual

参数解释

• embed_dim: 嵌入维度，这是模型中嵌入层的维度。
• vision_cfg: 视觉配置对象，包含了构建视觉塔所需的配置信息。
• quick_gelu: 布尔值，指示是否使用快速的GELU激活函数。
• cast_dtype: 可选参数，指定数据类型，用于将模型参数转换为指定的数据类型。

函数逻辑

1. 如果 vision_cfg 是一个字典，那么使用这个字典来创建一个 CLIPVisionCfg 实例。

2. 根据 quick_gelu 参数的值选择使用 QuickGELU 激活层还是使用 PyTorch 原生的 nn.GELU。

3. 如果 vision_cfg 包含 timm_model_name，则使用 TimmModel 来创建一个基于 timm 库的模型。

4. 如果 vision_cfg.layers 是一个元组或列表，假设配置是一个修改版的 ResNet 架构，使用 ModifiedResNet 来创建模型。

5. 如果上述条件都不满足，那么使用 VisionTransformer 来创建一个标准的 Vision Transformer 架构。

6. 在创建 VisionTransformer 时，根据 vision_cfg 中的参数配置模型的不同部分，如层数、头数、激活层、归一化层等。

7. 返回创建好的 visual 模型实例。

_build_text_tower()创建不同的文本模型架构

def _build_text_tower(
        embed_dim: int,
        text_cfg: CLIPTextCfg,
        quick_gelu: bool = False,
        cast_dtype: Optional[torch.dtype] = None,
):
    if isinstance(text_cfg, dict):
        text_cfg = CLIPTextCfg(**text_cfg)

    if text_cfg.hf_model_name:
        text = HFTextEncoder(
            text_cfg.hf_model_name,
            output_dim=embed_dim,
            proj=text_cfg.proj,
            pooler_type=text_cfg.pooler_type,
            pretrained=text_cfg.hf_model_pretrained,
            output_tokens=text_cfg.output_tokens,
        )
    else:
        act_layer = QuickGELU if quick_gelu else nn.GELU
        norm_layer = LayerNormFp32 if cast_dtype in (torch.float16, torch.bfloat16) else LayerNorm

        text = TextTransformer(
            context_length=text_cfg.context_length,
            vocab_size=text_cfg.vocab_size,
            width=text_cfg.width,
            heads=text_cfg.heads,
            layers=text_cfg.layers,
            ls_init_value=text_cfg.ls_init_value,
            output_dim=embed_dim,
            embed_cls=text_cfg.embed_cls,
            output_tokens=text_cfg.output_tokens,
            pad_id=text_cfg.pad_id,
            act_layer=act_layer,
            norm_layer=norm_layer,
        )
    return text

函数逻辑

1. 如果 text_cfg 是一个字典，那么使用这个字典来创建一个 CLIPTextCfg 实例。

2. 如果 text_cfg 包含 hf_model_name，则使用 HFTextEncoder 来创建一个基于 Hugging Face 的文本编码器。

3. 如果上述条件不满足，那么使用 TextTransformer 来创建一个标准的文本 Transformer 架构。

4. 在创建 TextTransformer 时，根据 text_cfg 中的参数配置模型的不同部分，如上下文长度、词汇表大小、激活层、归一化层等。

5. 返回创建好的 text 模型实例。

 根据daclip_ViT-B-32.json文件里的字典通过__init__（）到_build_vision_tower（）再到

CLIPVisionCfg（）这样的流程完成了参数传递。

{
    "embed_dim": 512,
    "vision_cfg": {
        "image_size": 224,
        "layers": 12,
        "width": 768,
        "patch_size": 32
    },
    "text_cfg": {
        "context_length": 77,
        "vocab_size": 49408,
        "width": 512,
        "heads": 8,
        "layers": 12
    },
    "custom_text": true
}

    model = DaCLIP(clip_model)

class DaCLIP(nn.Module):
    def __init__(self, clip_model: CLIP):
        super().__init__()
        self.clip = clip_model
        self.visual = clip_model.visual
        self.visual_control = copy.deepcopy(clip_model.visual)
        self.visual_control.transformer = ControlTransformer(self.visual_control.transformer)
        self.logit_scale = copy.deepcopy(clip_model.logit_scale)

    def initial_controller(self):
        for (kv, param_v), (kc, param_c) in zip(self.clip.visual.named_parameters(), self.visual_control.named_parameters()):
            if 'transformer' not in kv:
                param_c.data.copy_(param_v.data)

        for param_v, param_c in zip(self.clip.visual.transformer.parameters(), self.visual_control.transformer.parameters()):
            param_c.data.copy_(param_v.data)

        self.logit_scale.data.copy_(self.clip.logit_scale.data)
        
    def lock_clip(self):
        for param in self.clip.parameters():
            param.requires_grad = False

    @torch.jit.ignore
    def set_grad_checkpointing(self, enable=True):
        self.clip.visual.set_grad_checkpointing(enable)
        self.clip.transformer.grad_checkpointing = enable
        self.visual_control.set_grad_checkpointing(enable)

    def encode_image(self, image, control=False, normalize: bool = False):
        if control:
            degra_features, hiddens = self.visual_control(image, output_hiddens=True)
            image_features = self.clip.visual(image, control=hiddens)
            
            image_features = F.normalize(image_features, dim=-1) if normalize else image_features
            degra_features = F.normalize(degra_features, dim=-1) if normalize else degra_features
            return image_features, degra_features
        else:
            return self.clip.encode_image(image, normalize)
 
    def encode_text(self, text, normalize: bool = False):
        return self.clip.encode_text(text, normalize)

    def forward(
            self,
            image: Optional[torch.Tensor] = None,
            text: Optional[torch.Tensor] = None,
    ):
        (caption, degradation) = text.chunk(2, dim=-1) if text is not None else (None, None)
        image_features, image_degra_features = self.encode_image(image, control=True, normalize=True) if image is not None else None
        text_features = self.encode_text(caption, normalize=True) if text is not None else None
        text_degra_features = self.encode_text(degradation, normalize=True) if degradation is not None else None

        return {
            "image_features": image_features,
            "text_features": text_features,
            "image_degra_features": image_degra_features,
            "text_degra_features": text_degra_features,
            "logit_scale": self.logit_scale.exp()
        }

在这个例子中，CLIP 类是父类，而 DaCLIP 类是子类。DaCLIP 类继承自 CLIP 类，并在其基础上进行了扩展和修改。以下是子类 DaCLIP 相对于父类 CLIP 所做的主要更改和添加：

1. 初始化 (__init__ 方法):

   • DaCLIP 类在初始化时创建了 clip_model 的一个副本，命名为 self.visual，并创建了一个名为 self.visual_control 的控制塔，它是 self.visual 的深拷贝，但使用了 ControlTransformer 替换了原有的 transformer。
   • DaCLIP 还复制了父类的 logit_scale 参数。

2. 控制塔 (initial_controller 方法):

   • DaCLIP 类提供了一个方法来初始化控制塔的参数，确保它们与父类的 visual 塔的参数一致。

3. 锁定 (lock_clip 方法):

   • DaCLIP 类添加了一个方法来锁定父类 CLIP 的所有参数，使其在训练过程中不会更新。

4. 梯度检查点设置 (set_grad_checkpointing 方法):

   • DaCLIP 类扩展了父类的方法，同时为 clip 和 visual_control 设置梯度检查点。

5. 图像编码 (encode_image 方法):

   • DaCLIP 类重写了图像编码方法，允许控制塔生成特征，并将这些特征与父类 CLIP 生成的特征结合起来。

6. 前向传播 (forward 方法):

   • DaCLIP 类修改了前向传播方法，以处理额外的 degradation 输入，并输出控制塔生成的图像和文本的退化特征。

 init方法

def __init__(self, clip_model: CLIP):
        super().__init__()
        self.clip = clip_model
        self.visual = clip_model.visual
        self.visual_control = copy.deepcopy(clip_model.visual)
        self.visual_control.transformer = ControlTransformer(self.visual_control.transformer)
        self.logit_scale = copy.deepcopy(clip_model.logit_scale)

创建 self.visual:

• 在 DaCLIP 类的 __init__ 方法中，首先创建了一个名为 self.visual 的属性，它是 clip_model（即父类 CLIP 的实例）的 visual 属性的一个引用。这意味着 self.visual 直接指向了父类中的 visual 属性，它们指向相同的对象。

深拷贝 self.visual 以创建 self.visual_control:该代码就是论文所需的Image Controller部分

• 接下来，使用 copy.deepcopy 方法对 self.visual 进行了深拷贝，创建了一个新的对象 self.visual_control。深拷贝意味着创建了 self.visual 中所有属性和子对象的完整副本，而不是简单地复制引用。这样，self.visual_control 就是一个独立的、与 self.visual 完全相同的新对象，对它的任何修改都不会影响原始的 self.visual。

替换 self.visual_control 中的 transformer:

• 然后，DaCLIP 类将 self.visual_control 中的 transformer 属性替换为 ControlTransformer 类的实例。ControlTransformer 是一个自定义的Transformer类，它可能包含了一些额外的逻辑或参数，用于实现对特征的控制。这一步是 DaCLIP 类区别于父类 CLIP 的关键之处，因为它引入了控制机制。

复制 logit_scale 参数:

• 最后，DaCLIP 类创建了 logit_scale 参数的一个深拷贝，并将其存储在 self 中。这样做是为了确保 DaCLIP 实例有自己的 logit_scale 参数，它的初始值与父类 CLIP 实例中的 logit_scale 相同。

 ControlTransformer类

class ControlTransformer(nn.Module):
    def __init__(self, transformer):
        super().__init__()
        self.transformer = transformer
        self.layers = transformer.layers
        self.width = transformer.width

        self.zero_modules =  nn.ModuleList([
            self.zero_module(nn.Linear(self.width, self.width, 1))
            for _ in range(self.layers)]).cuda()
        self.grad_checkpointing = transformer.grad_checkpointing

    def zero_module(self, module):
        """
        Zero out the parameters of a module and return it.
        """
        for p in module.parameters():
            p.detach().zero_()
        return module

    def forward(self, x: torch.Tensor, attn_mask: Optional[torch.Tensor] = None, 
                output_hiddens: Optional[bool] = False, control: Optional[torch.Tensor] = None):
        if output_hiddens:
            hiddens = []
        for z, r in zip(self.zero_modules, self.transformer.resblocks):
            if self.grad_checkpointing and not torch.jit.is_scripting():
                # TODO: handle kwargs https://github.com/pytorch/pytorch/issues/79887#issuecomment-1161758372
                x = checkpoint(r, x, None, None, attn_mask)
            else:
                x = r(x, attn_mask=attn_mask)
            zx = z(x)

            if output_hiddens:
                hiddens.append(zx)

            if control is not None:
                x += control.pop()
        return (x, hiddens) if output_hiddens else x

 这个类的目的是在 Transformer 模型的基础上添加控制机制，以便在前向传播过程中对特征进行调整。下面是对这个类的主要组成部分的详细解释：

初始化 (__init__ 方法):

• self.transformer: 存储传入的 Transformer 模型，这个模型的参数将被用于初始化 ControlTransformer。
• self.layers: 获取 Transformer 模型中的层数。
• self.width: 获取 Transformer 模型的宽度，即特征的维度。
• self.zero_modules: 创建一个模块列表，其中包含 self.layers 个 nn.Linear 层，每个层都是一个全连接层，用于生成控制信号。这些层的权重被初始化为零，这意味着它们不会对输入 x 产生影响，直到它们被进一步训练或调整。
• self.grad_checkpointing: 从传入的 Transformer 模型中获取梯度检查点设置。

零化模块 (zero_module 方法):

• 这个方法用于将给定模块的参数设置为零。这在初始化控制模块时很有用，因为它确保了控制模块在训练开始时不会对模型的行为产生影响。

前向传播 (forward 方法):

• x: 输入特征张量。
• attn_mask: 可选的注意力掩码，用于 Transformer 中的自注意力机制。
• output_hiddens: 可选的布尔值，指示是否输出每个层的隐藏状态。
• control: 可选的控制张量，用于调整 Transformer 层的输出。

在前向传播过程中，ControlTransformer 执行以下步骤：

1. 如果 output_hiddens 为 True，则创建一个空列表 hiddens 用于存储每个层的输出。
2. 遍历 self.zero_modules 和 Transformer 的残差块 (self.transformer.resblocks)。
3. 对于每个残差块 r 和对应的零化模块 z：
   • 如果启用了梯度检查点 (self.grad_checkpointing 为 True) 并且不是在 JIT 脚本模式下运行，则使用 checkpoint 函数来保存梯度。
   • 应用残差块 r 到输入 x 上，得到输出。
   • 应用零化模块 z 到输出上，得到 zx。
   • 如果 output_hiddens 为 True，则将 zx 添加到 hiddens 列表中。
   • 如果提供了控制张量 control，则将控制信号添加到输出 x 上。
4. 如果 output_hiddens 为 True，则返回 (x, hiddens)，否则只返回 x。

ControlTransformer 类的关键特性是它允许通过 control 参数动态调整 Transformer 层的输出，这为模型提供了额外的灵活性和控制能力。

initial_controller(self)

 def initial_controller(self):
        for (kv, param_v), (kc, param_c) in zip(self.clip.visual.named_parameters(), self.visual_control.named_parameters()):
            if 'transformer' not in kv:
                param_c.data.copy_(param_v.data)

        for param_v, param_c in zip(self.clip.visual.transformer.parameters(), self.visual_control.transformer.parameters()):
            param_c.data.copy_(param_v.data)

        self.logit_scale.data.copy_(self.clip.logit_scale.data)

 这个方法的目的是确保 DaCLIP 实例在开始任何进一步的操作之前，其控制塔的参数与父类 CLIP 模型中的视觉塔参数保持一致。这样，控制塔就可以在保持父类模型特征的基础上，通过额外的控制信号来调整输出特征，从而实现更灵活的特征表示。

参数复制:

• 方法首先遍历 self.clip.visual（即父类 CLIP 的视觉塔）的所有参数及其对应的名称。
• 对于每一对参数（kv, param_v）和（kc, param_c），如果参数名称不包含 'transformer'，则将控制塔中相应参数的值设置为视觉塔中参数的值。这样做是为了确保控制塔的非Transformer部分与父类模型的视觉塔具有相同的初始参数。

Transformer参数复制:

• 接下来，方法遍历 self.clip.visual.transformer 的所有参数，并将其与 self.visual_control.transformer 的参数进行比较。
• 对于每一对参数（param_v, param_c），将父类模型的视觉塔中的参数值复制到控制塔的对应参数中。这样做是为了确保控制塔的Transformer部分也具有与父类模型相同的初始参数。

Logit Scale参数复制:

• 最后，方法将父类 CLIP 模型中的 logit_scale 参数值复制到 DaCLIP 实例中的同名参数中。

 encode_image()

def encode_image(self, image, control=False, normalize: bool = False):
        if control:
            degra_features, hiddens = self.visual_control(image, output_hiddens=True)
            image_features = self.clip.visual(image, control=hiddens)
            
            image_features = F.normalize(image_features, dim=-1) if normalize else image_features
            degra_features = F.normalize(degra_features, dim=-1) if normalize else degra_features
            return image_features, degra_features
        else:
            return self.clip.encode_image(image, normalize)

这个方法提供了两种不同的编码方式，一种是正常的编码，另一种是通过控制塔进行的编码。下面是对这个方法的详细解释：

方法逻辑:

• 正常编码:

如果 control 参数为 False，则直接调用父类 CLIP 的 encode_image 方法来编码图像，并返回结果。这是标准的编码流程，不涉及控制塔。

• 控制编码:

如果 control 参数为 True，则执行以下步骤：

• 首先，调用 self.visual_control 方法来生成控制信号。这个方法接收图像作为输入，并返回控制塔的输出特征 degra_features 和每个层的隐藏状态 hiddens。
• 然后，使用父类 CLIP 的 visual 属性来编码图像，并将 hiddens 作为控制信号传递给 self.clip.visual。这样，控制信号就可以影响图像编码的过程。
• 如果 normalize 参数为 True，则对生成的图像特征 image_features 和 degra_features 进行归一化处理。归一化通常是将特征向量的范数缩放到一个固定值，例如 1，这有助于提高模型的泛化能力。
• 最后，返回处理后的图像特征 image_features 和控制塔生成的退化特征 degra_features。

这个方法的设计允许 DaCLIP 模型在需要时使用控制信号来调整图像编码，这可以用于各种高级任务，如图像编辑、风格迁移等。通过设置 control 参数，用户可以选择使用标准的图像编码方式，或者使用包含控制信号的编码方式。

forward()

  def forward(
            self,
            image: Optional[torch.Tensor] = None,
            text: Optional[torch.Tensor] = None,
    ):
        (caption, degradation) = text.chunk(2, dim=-1) if text is not None else (None, None)
        image_features, image_degra_features = self.encode_image(image, control=True, normalize=True) if image is not None else None
        text_features = self.encode_text(caption, normalize=True) if text is not None else None
        text_degra_features = self.encode_text(degradation, normalize=True) if degradation is not None else None

        return {
            "image_features": image_features,
            "text_features": text_features,
            "image_degra_features": image_degra_features,
            "text_degra_features": text_degra_features,
            "logit_scale": self.logit_scale.exp()
        }

forward 方法是 DaCLIP 类的核心方法，它定义了模型如何处理输入的图像和文本数据，并输出相应的特征表示。这个方法接收两个可选参数 image 和 text，分别代表输入的图像张量和文本张量。以下是该方法的详细解释：

方法逻辑:

处理文本输入:

如果 text 不为 None，则使用 chunk 方法将文本张量分成两部分，这里假设文本张量是由两部分组成的，可能是描述（caption）和退化（degradation）信息。如果没有提供文本，这两部分都设置为 None。

编码图像:

如果 image 不为 None，则调用 self.encode_image 方法来编码图像。这里使用 control=True 来告诉 encode_image 方法使用控制塔生成的特征，normalize=True 表示输出的特征需要进行归一化处理。如果没有提供图像，image_features 和 image_degra_features 将被设置为 None。

编码文本特征:

使用 self.encode_text 方法分别对 caption 和 degradation 进行编码，生成文本特征和退化特征。如果 caption 或 degradation 为 None，则不会生成相应的特征。

返回结果:

最后，方法返回一个字典，包含以下键值对：

"image_features": 编码后的图像特征。

"text_features": 编码后的文本特征。

"image_degra_features": 控制塔生成的图像退化特征。

"text_degra_features": 控制塔生成的文本退化特征。

"logit_scale": logit_scale 参数的指数，通常用于调整模型输出的缩放。

这个方法的设计使得 DaCLIP 模型能够同时处理图像和文本输入，并且能够利用控制塔来调整特征表示。这对于执行复杂的多模态任务非常有用，例如在图像和文本之间建立细粒度的关联，或者在生成任务中控制生成内容的风格和质量。通过这种方式，DaCLIP 模型可以灵活地适应各种应用场景。

经过以上方法生成了DaCLIP模型实例但还未加载模型参数

加载模型参数

load_checkpoint(model.clip, checkpoint_path)
model.initial_controller()
model.lock_clip()

load_checkpoint

在第二章末尾介绍了 load_checkpoint函数，根据checkpoint_path的本地模型参数地址，经过一系列处理后使用model.load_state_dict(state_dict, strict=strict)，初始化了model.clip

关于model.clip:

model.clip 指的是 DaCLIP 类的一个属性，它直接引用了 DaCLIP 实例中的 CLIP 模型。这里的 model 是 DaCLIP 类的一个实例，而 clip_model 是在创建 DaCLIP 实例时传入的 CLIP 模型的实例。

在 DaCLIP 类的 __init__ 方法中，clip_model 被用作参数来创建 DaCLIP 实例。这个参数是一个 CLIP 类的实例，它包含了原始的 CLIP 模型的所有组件，如视觉塔（visual）、文本塔（text）等。DaCLIP 类通过 self.clip = clip_model 将这个原始的 CLIP 模型实例存储为 DaCLIP 实例的一个属性。

因此，当你访问 model.clip 时，你实际上是访问了 DaCLIP 实例中嵌入的原始 CLIP 模型。这意味着你可以通过 model.clip 访问和使用原始 CLIP 模型的所有功能和属性，例如编码图像和文本、生成特征表示等。这种设计允许 DaCLIP 在保留原始 CLIP 模型功能的基础上，增加额外的控制机制和可能的其他功能。

调用DaCLIP的initial_controller()参考上文

lock_clip冻结预训练模型

遍历 DaCLIP 实例中的 CLIP 模型的所有参数，并将它们的 requires_grad 属性设置为 False。这样做会锁定这些参数，使它们在后续的训练过程中不会更新。

    def lock_clip(self):
        for param in self.clip.parameters():
            param.requires_grad = False