多模态大模型 | CLIP论文总结 | 2021.02.26 OpenAI | 打通 图像-文本

🐧大模型系列篇章

💖 多模态大模型 🔎 GroundingDINO 论文总结
💖 端到端目标检测 🔎 从DETR 到 GroundingDINO
💖 多模态大模型 👉 CLIP论文总结
💖 多模态大模型 👉 EVA-CLIP
💚 生成模型 👉 从 VAE 到 Diffusion Model （上）
💚 生成模型 👉 从 VAE 到 Diffusion Model （下）
💧 天气大模型

欢迎订阅专栏，第一时间掌握最新科技 专栏链接

论文链接：https://arxiv.org/pdf/2103.00020

NLP的积淀

取之不尽用之不竭的自监督信号 = transformer + 自监督学习
训练出来的模型又大又好，而且又简单，泛化性又好，为多模态的训练铺平了道路。

只需要图片文本对，不需要标注， 数据的规模就很容易大起来了。

现在的监督信号是一个文本，而不是n选1的这种标签了，所以模型的输入输出啊，自由度就大很多。

• 用文本监督信号，来帮助训练一个视觉模型 是非常有潜力的。

Method

1. 预训练的方法：放宽约束：对比学习

对比学习的目标函数 比 预测型的目标函数 训练效率提升了4倍

线性投射层，非线性投射层 对clip这种多模态没什么影响

数据增强：随机裁剪

把对比学习中的temperature这个超参数，设计为可学习的标量了，直接在模型训练过程中就被优化了，不需要当成一个超参数去调参

2. 模型训练

• 5种ResNet + 3中Vision Transformer(ViT-B/32, ViT-B/16, ViT-L/14)
• 32 epoch
• Adam optimizer with decoupled weight decay regularization
• Decay the learning rate using a cosine schedule
• Initial hyperparameters: combination of grid searches, random search, and manual tuning on the basline ResNet50 model when trained for 1 epoch. 为了调参调的快一点，做超参搜索的时候都是用最小的resnet50做的，都只训练了一个epoch。
• 超参数were then adapted heuristically for larger models due to computational constraints。对于更大的模型，这里就没有去调参了/
• 训练的时候batch-size是32768
• 混精度训练：加速训练，而且省内存
• 为了进一步节省内存，还尝试了gradient checkpointing, half-precision Adam statistics, half-precision stochastically rounded text encoder weights
• 计算相似度也是分配到不同的gpu去做的/
  经过这么多工程上的优化，CLIP才能训练起来
  OpenAI成员撰写：How to Train Really Large Models on Many GPUs?

训练时间

RN50x64: 18day 592 V100
Largest ViT: 12day 256 V100
就像vit论文中提到的：训练一个vit要比训练一个残差网络要高效
Trick: 在更大尺寸图片上finetune，从而获得性能提升

Experiments

Motivation

之前的自监督或者无监督的方法，主要研究的是特征学习的能力，他们的目标是学习一个泛化比较好的特征。
即使你学习到了很好的特征，当你运用到下游任务的时候，你还是需要有标签的数据去做微调。比如下游任务不好去收集数据，有distribution shift的问题。
如何能够训练一个模型，接下来就不再训练或者不再微调了呢？这就是作者研究zero-shot 迁移的动机
用文本做引导，去很灵活的做这种zero-shot的迁移学习。

• 一个图的特征与N个文本特征做cosine similarity，再计算softmax概率分布
• 文本端的编码不是按照顺序进行的，是批量进行的，所以clip的推理还是非常高效的，它并不会慢。

Prompt：提示：也就是文本的引导作用

• 为什么要做prompt engineering和prompt ensembling呢？
  1. polysemy（多义性）：一个单词可以有很多含义。只用一个单词做特征抽取，就会有歧义性出现了。
  2. 预训练的时候使用的是句子和图片，所以推理的时候如果输入单个单词，会出现distribution gap

Prompt enginnering

1. 提供模板 A photo of a {label}
2. 如果你知道先验信息，你可以加上一些解释。A photo of a {label}, a type of pet
   如果你想找ocr里面内容：把你想找的文字或数字加上双引号，他就会更明白你的意思了。他可能就知道，你就是想找双引号里面的内容了。

Prompt ensembling

多用一些这些推理的模板，然后把结果综合起来，ensemble一般都会给你更好的结果。
by the way, 作者用了80个ensembe的模板
Prompt_Engineering_for_ImageNet.ipynb

imagenet_templates = [
    'a bad photo of a {}.',
    'a photo of many {}.', 图中有许多...
    'a sculpture of a {}.',
    'a photo of the hard to see {}.', 比较小的物体
    'a low resolution photo of the {}.',
    'a rendering of a {}.',
    'graffiti of a {}.',
    'a bad photo of the {}.',
    'a cropped photo of the {}.',
    'a tattoo of a {}.',
    'the embroidered {}.',
    'a photo of a hard to see {}.',
    'a bright photo of a {}.',
    'a photo of a clean {}.',
    'a photo of a dirty {}.',
    	.
    	.
    	.

数据集 -> 怎么选择模型 -> 怎么去做预训练 -> 怎么去做zero-shot推理

对比实验

作者在27个数据集上做了对比实验：
比较的双方：zero-shot clip; Linear Probe on ResNet50（是图片里面的基线）
clip 高于基线的就是绿色，反之蓝色的。
给物体进行分类的时候，clip一般表现都比较好
需要特定领域的知识来做分类的任务，可以用few-shot。

• 难的任务用few-shot来做
  • BiT-M是一个很好的baseline