大模型理解之CLIP

前言

2021年2月份，CLIP模型被提出，想法很简单，性能高效，而且具备很好的泛化性。我在这里简单谈论下我对CLIP模型的理解，以及发现的一些问题。

我是在沐神的视频中了解的CLIP, 里面提到CLIP最大的贡献在于打破了固定类别标签范式。我对这句话是这样理解的：就拿一般的分类任务来说，每一张图片对应一个类别，类别数量都是固定的，当模型训练好后，在实际使用过程中，一但出现一个从未出现的类别，模型是无法识别出来的。但是CLIP模型不一样，CLIP在训练的过程中，是将句子和图片匹配，然后在推理过程中找到与之最接近的模板句子。举个例子：CLIP模型在训练过程中，用到了4亿组图像文本对，可以说是涵盖了自然界中的大部分场景，在迁移学习时，即使从未见过三轮车这个类别，但一定见过与三轮车描述相关的图像文本对，从而在推理过程中将其识别为三轮车类。

CLIP模型的训练以及推理过程

数据集是若干的图像文本对，CLIP用了近4亿组。在训练过程中，取一个batch_size的图像文本对，图像经过Image Encode, 文本经过Text Encoder，然后在向量之间计算余弦相似度，结果就如图像所示，对象线上的元素分别是一一对应的，那么文本编码和图像编码之间的相似度的也该是最高的，即在对比学习中，对角线上的元素即为正样本，其余非对角线元素为负样本。因此这个模型经过训练后，能实现的最终理想目标就是一组图像文本对，图像经过Image Encoder编码和文本经过Text Encoder的编码应该是一摸一样的（显然，并不可能，但是可以保证两个编码的相似度尽可能的高）。

接下来就是推理过程了，可以看出，CLIP训练好的模型并不具备分类头，得到的最终结果就是两个Encoder，同一组图像文本对经这两个Encoder的编码相似度会很高。 推理过，我们需要先给出类别模型，即将一个类别标签变成一个句子

这些类别标签的句子讲过Text Encoder后会生成对应的文本编码，在推理过程中，给出一张图片，经过Image Encoder后得到图像编码，我们只需要比较图像编码和哪个类别文本编码的相似度最高，图像即为对应类别。

CLIP模型伪代码

CLIP论文中并未给出训练过程，仅给出了伪代码，将在下面展示，以及较为权威的huggingface团队实现的CLIP源码。

然后是huggingface团队在CLIPModel中的损失函数实现：

​
image_embeds = vision_outputs[1]

image_embeds = self.visual_projection(image_embeds)

text_embeds = text_outputs[1]

text_embeds = self.text_projection(text_embeds)

# normalized features

image_embeds = image_embeds / image_embeds.norm(p=2, dim=-1, keepdim=True)

text_embeds = text_embeds / text_embeds.norm(p=2, dim=-1, keepdim=True)

# cosine similarity as logits

logit_scale = self.logit_scale.exp()

logits_per_text = torch.matmul(text_embeds, image_embeds.t()) * logit_scale

logits_per_image = logits_per_text.t()

loss = None

if return_loss:

    loss = clip_loss(logits_per_text)

# contrastive loss function, adapted from

# https://sachinruk.github.io/blog/pytorch/pytorch%20lightning/loss%20function/gpu/2021/03/07/CLIP.html

def contrastive_loss(logits: torch.Tensor) -> torch.Tensor:

    return nn.functional.cross_entropy(logits, torch.arange(len(logits), device=logits.device))

def clip_loss(similarity: torch.Tensor) -> torch.Tensor:

    caption_loss = contrastive_loss(similarity)

    image_loss = contrastive_loss(similarity.t())

    return (caption_loss + image_loss) / 2.0

​

下面是自己的理解：

• 首先是图像文本编码器，编码结果维度并不一致，无法计算相似度，因此一个learn prob将维度统一
• 编码结果归一化
• 对编码计算相似度矩阵
• 计算对比损失

对我来说这个对比损失是最难理解的部分，为什么通过交叉熵损失即实现了对角线全为正样本，其余均为负样本的效果。下面来看交叉熵损失的原理。

从伪代码可以看出，对于相似度矩阵，沿行这个维度来看，可以看成是每张图片与各个文本的相似度，这个一个多分类问题，与之对应的label恰好是第i行这个数字i。

这里可以看出CLIP模型所用的对比损失函数，只考虑了如何拉近正样本对之间的距离，并未考虑负样本之间的关系。即它只关心对于正样本对之间相似性，忽略了负样本至之间的差异性。这在CLIP模型中并无太大影响，因为CLIP模型的训练数据太多，同一个Batch Size中很难出现重复数据，自然所有负样本的差异性没有区别。但是我自己在训练过程中涉及到的负样本十分接近，这时候如果不考虑负样本之间的差异性，模型很难拟合。