对比学习与多模态任务实战---对比学习

🌞欢迎来到深度学习的世界 
🌈博客主页：卿云阁

💌欢迎关注🎉点赞👍收藏⭐️留言📝

🙏作者水平很有限，如果发现错误，请留言轰炸哦！万分感谢！

---

对比学习

  对比学习解决的是什么事情？现有的模型存在着什么问题？

      在CV领域，我们常用的预训练模型都是分类任务。在NLP领域，也是分类任务。但是分类模型一定合适嘛？比如在imagnet中的输出一定是1000个类别之一，模型在训练的时候，模型的潜力就会被标签所束缚。对比学习等，这些事好像都不需要我们准备标签。

我们小时候咋学习来着？

      认识的信息很有限,大部分负例都没见过,通过对比来分析谁是谁，比如一开始我们可能只知道猫，下次我们遇到的动物的时候就可以大致的判断其是猫（正样本），或者不是猫（负样本）。

---

标签

      怎么定义正负样本呐？相信我们很快就有了想法，我们可以在海量的数据中打标签，把同一类的放到一起，互为正样本。这里我们好像又打上标签了，其实正负样本不是我们打标签的而是自动生成的。正负样本怎么构建呐？

---

如何表示特征

---

SimCLR

正样本：

      对同一个样本进行两种不同的数据增强变换，经过Encoder展开成向量，然后经过类似MLP（全连接的操作）变成输出向量（特征对比），计算两者之间的相似度。

下游任务（比如目标检测）：

      此时我们用的是Encoder后的向量做的下游任务，原生的特征泛化能力更强。

---

BATCH很大，效果才能好

---

数据输入

---

特征提取

---

基本思想

---

实现分析

---

数据增强

对结果的影响

---

MLP

---

V2版本

---

多视角任务

---

BYOL

---

SimCSE

DropOut（随机去掉某些特征）

---

案例

DALLE2-pytorch/dalle2.png at main · lucidrains/DALLE2-pytorch · GitHub

这个例子中，不需准备数据。