目录
5.prompt engineering and ensembling
1.引言
视觉语义与文本语义联系起来，学到的特征非常强，迁移的效果非常好。利用NLP的监督信号，学习一个迁移性能很好的视觉模型。文字图片的多模态工作，文字图片配对。
ImageNet128万数据集上CLIP使用zero-shot（不用ImageNet训练）的训练效果，和resnet50在ImageNet上做有监督的训练效果一样好。
2.架构
1.对比学习预训练，文本和图片分别经过编码器得到特征。对角线上为n个正样本对，其他位置为n2-1负样本对。图片特征与文本特征建立了联系，此时模型从图片学到的特征可能不仅仅是图片本身的特征，还有文本的语义信息。openAI自建大规模的数据集WIT（webimage text）
2.zero-shot推理，prompt template。单词变成句子（预训练时是句子，避免distribution gap），再经过预训练好的文本编码器，得到文本特征。
3.测试图片经过预训练好的图片编码器，得到图片的特征。将图片特征与文本特征进行cos相似度计算，进行匹配。
与图片对应的文本可以看做高级标签，文本与图像建立了联系，文本引导模型从图片中提取文本的语义信息。
CLIP训练的特征与用语言描述的物体产生了强烈的联系。
NLP领域，BERT、GPT，自监督的方式（MLM Mask Language Model; NSP next sentence Prediction）训练，提取文本特征，目标函数与下游任务无关。但在视觉CV领域，还是在imagenet上有监督的预训练一个模型去做迁移。
VirTex自回归的预测方式预训练，ICMLM完形填空预训练，ConVIRT 和CLIP很相似，但模型数据规模不够大，此时没有transformer,因此效果并不是很好。文本带来的弱监督信号去帮助有监督模型做得更好。但仍存在局限性，还是需要制定标签列表，固定的softmax分类头无法随心所欲，去检测任何想检测的类。
核心：自然语言的监督信号去训练视觉模型。
NLP领域利用上下文信息（完型填空）的自监督模型简单、泛化性好，为多模态的模型铺平道路。优点就是不需要标注数据，只需要下载图片文本的配对，学到的特征是多模态特征。moco，MAE只能学到视觉特征，不好做zero-shot迁移。
3.Bag of Words和对比型目标函数来加速训练
加速训练的两个方法
（1）根据图片逐字逐句预测文本，太难了。Bag of words，文本被抽象成一种特质，相应的约束被放宽了。
（2）预测型prediction目标函数换成对比型contrastive目标函数，加速训练
4.伪代码
对角线上是正样本，range（实现）
5.prompt engineering and ensembling
使用了线性投射层，没有像moco，simclar一样使用非线性投射层（FC+RELU）。也只使用了随机裁剪的数据增强。temperature设置成了可学习的参数。文本使用了transformer，图片可以使用transformer和resnet。
zero-shot transfer：用文本引导做zero-shot迁移。目标：图像经过图像编码器得到的特征要和文本得到的特征（引导，两种特征建立了联系）非常相近。
之前无监督领域就是去学一种泛化性比较好的特征，但即使学到了特征，应用于下游任务时，还是需要根据标签去做微调，这就有标签不好收集、distribution shift等问题。CLIP就想训练一个模型，迁移时不再微调！
prompt engineering and ensembling：prompt提示，文本引导作用
（1）多义词。不同语境下单词含义不同。因此语境信息也很重要。
（2）预训练时抽取句子特征来匹配文本，推理时，如果使用单个单词，存在distribution gap，抽取的特征并不是很好。To help bridge thisdistribution gap, we found that using the prompt template“A photo of a {label}.” to be a good default that helps specify the text is about the content of the image.
For instance, just using this prompt improves accuracy on ImageNet by 1.3%.
如果提前知道一些信息（先验知识），比如Oxford-IIIT Pets数据集都是动物，使用模板 “A photo of a {label}, a type of pet.” Food101数据集都是食物，使用模板“A photo of a {label}, a type of food.”总的来说，可以加入形容词，使用嵌入空间代替整个的可能空间，使得结果更加准确。We construct the ensemble over the embedding space instead of probability space.
6.Linear Probe
Linear Probe：冻住抽取特征层（features），只训练分类头作微调。
图5中，对于车、食物、CIFAR10、CIFAR100这些普通物体分类，CLIP可以很好的做zero-shot迁移，可以理解为图片中有可以描述出来的物体，那对应的文本里应该也有这种描述，就可以很好的匹配。但是对于DTD这种对纹理分类的数据集，或者CLEVR Counts这种计数的任务，太抽象了，没有标签信息就太难了。但即使没有先验知识，这些任务人也可以稳健的做好，比如计数，交通信号灯的识别等。但是，如果对于没有先验知识的人来说，有些任务也很难，比如肿瘤分类，这对于CLIP就更难了。
图6中，进行了few shot（Linear probe）与其他有监督模型的对比。在一个大的数据集上做预训练，然后每个类别看1/2/4/8/16个（横坐标）样本做微调。
预训练后，下游任务用全部数据微调。
Linear probe：只训练最后的分类头；Fitting a linear classifier on a representation extracted from the model and measuring its performance on various datasets is a common approach.
Fine-tune整个网络放开，更新所有层参数。An alternative is measuring the performance of end-to-end fine-tuning of the model.
Fine-tune往往要比Linear probe好很多，但由于CLIP就是为了研究跟下游任务数据集无关的研究，冻住特征提取层才好比较迁移性能（泛化性）。
7.CLIP与人对比
将CLIP与五个人的分类结果比较，CLIP精度要比人高出不少。
上图是说对于人来说比较难分类的的种类，CLIP也觉得难一些，原因大概是因为，不经常出现在人视野中的类别，在文本信息中出现的次数也少一些，CLIP更难学到这些特征。因此人和CLIP都做得不是很好。
8.CLIP的局限性
（1）可以和resnet50打成平手，但与SOFT的模型还存在十几个点的差距。大概还需要1000倍的规模才可以弥补上十几个点的这个差距。
（2）有些数据集上效果并不好，比如抽象的特征（计数、纹理，处理异常：CLIP不懂什么是异常）。
（3）推理时的数据集与训练的数据集分布差的很大，out of distribution。泛化性还不行，比如MNIST。分析原因，这是人为创造的数据集，与训练用的WIT数据集相差还是很大。
（4）还是需要手动添加文本信息与图片匹配，无法自动生成标题。
（5）对数据的利用不是很高效，还需要大量的数据。400million个样本跑了32个epoch，相当于过了12.8billion个数据。自监督，伪标签的方式。
（6）每次测试调参都用了imagenet，并非真正的zero-shot。
（7）OpenAI自建的数据集WIT数据没有清洗。
python的学习还是要多以练习为主，想要练习python的同学，推荐可以去看，他们现在的IT题库内容很丰富，属于国内做的很好的了，而且是课程+刷题+面经+求职+讨论区分享，一站式求职学习网站，最最最重要的里面的资源全部免费。
他们这个python的练习题，知识点编排详细，题目安排合理，题目表述以指导的形式进行。整个题单覆盖了Python入门的全部知识点以及全部语法，通过知识点分类逐层递进，从Hello World开始到最后的实践任务，都会非常详细地指导你应该使用什么函数，应该怎么输入输出。
牛客网（牛客网 - 找工作神器|笔试题库|面试经验|实习招聘内推，求职就业一站解决_牛客网）还提供题解专区和讨论区会有大神提供题解思路，对新手玩家及其友好，有不清楚的语法，不理解的地方，看看别人的思路，别人的代码，也许就能豁然开朗。
快点击下方链接学起来吧！
牛客网 - 找工作神器|笔试题库|面试经验|实习招聘内推，求职就业一站解决_牛客网
CLIP 论文逐段精读【论文精读】_哔哩哔哩_bilibili
https://www.bilibili.com/video/BV1SL4y1s7LQ?spm_id_from=333.999.0.0
644
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
