一站式解读多模态——Transformer、Embedding、主流模型与通用任务实战（下）

本文章由飞桨星河社区开发者高宏伟贡献。高宏伟，飞桨开发者技术专家（PPDE），飞桨领航团团长，长期在自媒体领域分享AI技术知识，博客粉丝9w+，飞桨星河社区ID为GoAI 。分享分为上下两期，本期分享从主流多模态模型和多模态实战项目等方面介绍多模态。

上篇文章主要从时间线对多模态模型进行总结，在文章最后引入模态对齐概念，本篇文章将针对经典的多模态模型展开详细介绍，围绕多模态模型如何进行模态对齐，最后以多模态框架PaddleMIX进行项目实战，欢迎大家讨论交流。

主流多模态模型介绍

本篇首先将围绕多模态模型的基本思想、模型结构、损失设计及训练数据集情况，对CLIP、BLIP、BLIP2等经典多模态模型展开详细介绍，总结如下：

CLIP

论文：Learning Transferable Visual Models From Natural Language Supervision

CLIP采用双塔结构，其核心思想是通过海量的弱监督文本对，通过对比学习，将图片和文本通过各自的预训练模型获得编码向量，通过映射到统一空间计算特征相似度，通过对角线上的标签引导编码器对齐，加速模型收敛。CLIP是一种弱对齐，可应用于图文相似度计算和文本分类等任务！

CLIP结构图CLIP具体步骤如下：

1.CLIP将图像和文本先分别输入一个图像编码器image_encoder和一个文本编码器text_encoder，得到图像和文本的向量表示 I_f 和 T_f 。其中 Image Encoder是 ResNet 或 Vision Transformer，Text Encoder 为 GPT-2。

2.将图像和文本的向量表示映射到一个多模态空间（不同类型的数据整合到一个统一的空间），得到新的可直接进行比较的图像和文本的向量表示 I_e 和T_e 。

3.计算图像向量和文本向量之间的cosine相似度。上述得到n x n矩阵，对角线为正样本为 1，其他为负样本0。有了n个图像的特征和n个文本的特征之后，计算 cosine similarity，得到的相似度用来做分类的logits。

4.对比学习的目标函数就是让正样本对的相似度较高，负样本对的相似度较低。logits 和 ground truth 的labels 计算交叉熵损失，loss_i,loss_t分别是 Image 和 Text 的 loss，最后求平均就得到loss。CLIP代码示例：

I_f = image_encoder(I) #[n, d_i]
T_f = text_encoder(T) #[n, d_t]
# joint multimodal embedding [n, d_e]
I_e = l2_normalize(np.dot(I_f, W_i), axis=1)
T_e = l2_normalize(np.dot(T_f, W_t), axis=1)
# scaled pairwise cosine similarities [n, n]
logits = np.dot(I_e, T_e.T) * np.exp(t)
# symmetric loss function
labels = np.arange(n)
loss_i = cross_entropy_loss(logits, labels, axis=0)
loss_t = cross_entropy_loss(logits, labels, axis=1)
loss = (loss_i + loss_t)/2
1
2
3
4
5
6
7
8
9
10
11
12

BLIP

论文：BLIP: Bootstrapping Language-Image Pre-training for Unified Vision-Language Understanding and Generation （统一视觉语言理解和生成的引导语言图像预训练）

代码地址：https://github.com/salesforce/BLIP

BLIP既可以做内容理解，还可以做文本生成，是一个大一统的多模态预训练框架。（理解+生成）

BLIP结构图

引用来源：论文《BLIP: Bootstrapping Language-Image Pre-training for Unified Vision-Language Understanding and Generation》

模型组成

BLIP由四个模块组成，分别是image encoder、text encoder（和image encoder 统一称为unimodal encoder）、image-grounded text encoder、image-grounded text decoder。

1. Image encoder：visual transformer，VIT

2. text encoder：BERT（双向自注意力机制+FFN），加一个 cls_token放在text input前面总结整句话

3. image-grounded text encoder：将image encoder的输出一起输入cross attention中（image embedding作为key，value，text embedding作为query），输入端加一个任务特定的encoder token，采用双向自注意力机制，使得text全部可见。

4. image-grounded text decoder：将image encoder的输出一起输入cross attention中（image embedding作为key，value，text embedding作为query），输入端加一个任务特定的decoder token，attention采用causal self-attention，使得text只能见到当前和历史的文本。

损失构成

BLIP由三个损失函数监督，前两个是understanding-based ，另一个是generation-based。具体损失如下：

Image-Text Contrastive Loss (ITC)

ITC通过对比学习，鼓励正向的图像-文本对在特征空间内靠近，与负向对相远离，对齐视觉和文本转换器的特征空间。研究表明，ITC有效地促进了视觉和语言理解的提升。为了强化这一过程，ITC引入了动态编码器以产生特征，并利用软标签作为训练目标，以识别负对中潜在的正对。

Image-Text Matching Loss (ITM)

ITM专注于学习精细的视觉-语言对齐多模态表示。作为一个二分类任务，ITM用于预测图像-文本对是否匹配，通过线性层（ITM头）和它们的多模态特征。采用硬负采样策略，选择批次中对比相似度较高的负对参与损失计算，以获得更信息丰富的负样本。与ITC不同，ITM直接处理图像输入，能更精确地判断图像与文本的一致性。

Language Modeling Loss (LM)

LM旨在基于给定图像生成文本描述。LM通过交叉熵损失优化，以自回归形式训练模型，最大化文本可能性。在计算损失时，采用了0.1的标签平滑策略。不同于VLP中广泛使用的Masked Language Modeling损失，LM赋予模型根据视觉信息生成连贯文本描述的泛化能力。

数据生产

BLIP的关键创新在于引入了预训练部分的Filter和Captioner模块。尽管CLIP使用了超过4亿个未经筛选的网络数据进行训练，但由于数据中包含大量噪声，模型的准确性受到了影响。在此基础上，BLIP引入了以下两个模块：Filter和Captioner。

Filter用于清除不匹配的文本信息（去除噪声图像-文本对），而Captioner用于生成高质量文本信息（生成给定web图像的标题），进而提升图像-文本对训练数据集质量。两种都是通过相同的预训练MED模型进行初始化，并在COCO数据集上分别进行微调，调优是一个轻量级的过程。

BLIP数据生产过程（Filter和Captioner模块）

引用来源：论文《BLIP: Bootstrapping Language-Image Pre-training for Unified Vision-Language Understanding and Generation》

具体来说，首先，BLIP使用从网络爬取到的可能不匹配的数据和部分人工标注的匹配数据（如COCO数据集）组成的数据集D进行预训练。BLIP利用人工标注的数据和内部的ITC&ITM模块微调Filter，筛选出不匹配的图像-文本对。其次，使用同样的标注数据和BLIP的Decoder微调Captioner，使其能根据图像生成匹配的文本。这些新文本再通过Filter判断其与原图像的匹配程度。

注：Captioner生成的文本并非始终比网络数据更匹配，但提供了更多选择，以实现更优的匹配结果。通过这种方法，BLIP能构建一个高质量的新数据集D。

BLIP-2

论文：Blip-2: Bootstrapping language-image pre-training with frozen image encoders and large language models （节约多模态训练成本：冻结预训练好的视觉语言模型参数 ）

代码:

https://github.com/salesforce/LAVIS/tree/main/projects/blip2

为减少计算成本并避免灾难性遗忘的问题，BLIP-2 在预训练时冻结预训练图像模型和语言模型，但简单地冻结预训练模型参数会导致视觉特征和文本特征难以对齐。论文中，作者提出了一种预训练框架，利用 “预训练frozen冻结的图像编码器 + 可学习的Q-Former” 和 “预训练frozen冻结的LLM大规模语言模型” 来进行图像和语言的联合预训练。

引用来源：论文《Blip-2: Bootstrapping language-image pre-training with frozen image encoders and large language models》

1）Image Encoder：负责从输入图片中提取视觉特征，本文试验CLIP 训练的 ViT-L/14和EVA-CLIP训练的 ViT-g/14两种网络结构。

2）Large Language Model：负责文本生成，本文试验decoder-based LLM and encoder-decoder-based LLM。

3）Q-Former：为BLIP2核心使用，用两阶段预训练 Q-Former 来弥补模态差距，共分为表示学习和生成学习两个阶段。

第一阶段：表征学习

BLIP2第二阶段

引用来源：论文《Blip-2: Bootstrapping language-image pre-training with frozen image encoders and large language models》

学习阶段：Q-Former作为桥梁，来衔接图像编码器和LLM，并缩小两者表征上的GAP。Q-Former整体训练目标沿用BLIP（即图文匹配，图生文，图文对比学习），但在框架上更加精简，使用UniLM风格的统一自编码和自回归，使得由BERT随机初始化的32个Learned Queries将图像编码器的表示在语言空间中压缩对齐（其中，CA为每两层插入一次，用于融合图片视觉表征）。

第二阶段：从大规模语言模型学习视觉到语言生成

生成学习阶段：将 Q-Former连接到冻结的 LLM，以利用 LLM 的语言生成能力。这里使用全连接层（FC，可视为Q-Former到LLM的适配器）将输出的Query嵌入线性投影到与 LLM 的文本嵌入相同的维度，然后将投影的Query嵌入添加到输入文本嵌入前面，实现替换LLM的部分文本嵌入（即软提示）。

由于 Q-Former 已经过预训练，可以提取包含语言信息的视觉表示，因此它可以有效地充当信息瓶颈，将最有用的信息提供给 LLM，同时删除不相关的视觉信息，减轻了 LLM 学习视觉语言对齐的负担。BLIP2在Decoder-only 和Encoder-Decoder 架构的模型上均进行了实验。

BLIP2第二阶段

引用来源：论文《Blip-2: Bootstrapping language-image pre-training with frozen image encoders and large language models》

多模态实战项目

实战平台：本次实战平台环境推荐采用飞桨星河社区，平台项目展示页面如下。

飞桨星河社区提供强大易用的环境，包括上传自己的数据集及训练可视化，还可以加载多任务套件（PaddleNLP、PaddleOCR、PaddleDetection、PaddleClas任等），更大的亮点在于轻量代码实现，共同助力开发者轻松进行深度学习。相比个人环境，飞桨平台已预配环境，用户无需自行安装GPU环境可直接编程、运行实验，用户注册后进入BML Code Lab享受编程乐趣，可快速搭建模型，降低门槛。

PaddleMIX 介绍

官网Github：PaddleMIX PaddleMIX是基于飞桨的跨模态大模型开发套件，聚合图像、文本、视频等多种模态，覆盖视觉语言预训练、文生图、文生视频等丰富的跨模态任务。提供开箱即用的开发体验，同时满足开发者灵活定制需求，探索通用人工智能。目前支持的多模态预训练模型：

1. 使用教程

克隆PaddleMIX项目：

git clone https://github.com/PaddlePaddle/PaddleMIX
1

安装PaddleMIX和ppdiffusers环境

cd PaddleMIX
pip install -e .
cd ppdiffusers
pip install -e .
1
2
3
4

安装appflow 依赖环境

pip install -r paddlemix/appflow/requirements.txt
1

2. 一键预测

PaddleMIX提供一键预测功能，无需训练，覆盖图文预训练，文生图，跨模态视觉任务，实现图像编辑、图像描述、数据标注等多十几种种跨模态应用（可自行更开预训练任务模型）。以开放世界检测分割为例，在安装环境后新建如下.py脚本直接运行即可。

from paddlemix.appflow import Appflow
from ppdiffusers.utils import load_image

task = Appflow(app="openset_det_sam",   #更改应用名称
                   models=["GroundingDino/groundingdino-swint-ogc","Sam/SamVitH-1024"],  #更换模型任务，可组合
                   static_mode=False) #如果开启静态图推理，设置为True,默认动态图
url = "https://paddlenlp.bj.bcebos.com/models/community/CompVis/stable-diffusion-v1-4/overture-creations.png"
image_pil = load_image(url)
result = task(image=image_pil,prompt="dog")
1
2
3
4
5
6
7
8
9

注：以上部分模型支持SFT和Lora微调，由于篇幅原因，大家可以访问Readme文档自行查看。具体任务效果大家可以自行尝试，非常方便！下面作者将主要以PaddleMIX库中的BLIP2模型展开介绍。

基于PaddleMIX的多模态模型VQA和Caption任务–以BLIP2为例

1. 环境准备

cd PaddleMIX
pip install -r requirements.txt
1
2

2.数据准备

（1）coco数据 数据部分，默认使用coco_karpathy数据，使用该数据不需另外配置，会自动下载。目前已支持 “coco_caption”,"vg_caption"等数据集训练。数据标注示例：

    {'caption': 'A woman wearing a net on her head cutting a cake. ', 'image': 'val2014/COCO_val2014_000000522418.jpg', 'image_id': 'coco_522418'}
1

（2）自定义数据 如果需要自定义数据，推荐沿用上述数据格式处理自己的数据。更多可参考数据集中的annotations/coco_karpathy_train.json文件。在准备好自定义数据集以后, 可以使用 load_dataset() 来加载数据.

（3）模型介绍 PaddleMix支持BLIP-2系列模型，目前包括BLIP-2-OPT、BLIP-2-FlanT5

• blip2-stage1 :对应上述blip2的第一阶段预训练模型，可用于开启第二阶段预训练；
• blip2-stage2 :使用论文中数据训练好的第一阶段模型，可用于开启第二阶段预训练；
• blip2-pretrained-opt :对应论文精度Blip2第二阶段训练完成的模型,语言模型使用opt，可用于模型微调任务或进行zeroshot vqa推理；
• blip2-caption-opt :对应论文精度Blip2第二阶段训练完成并在caption数据集进行微调的模型，语言模型使用opt，可用于image caption推理；

3.BLIP2训练配置

BLIP2训练无需更改参数即可开始训练，参考代码如下：

MODEL_NAME="paddlemix/blip2-stage2"fleetrun --master '127.0.0.1' --nnodes 1 --nproc_per_node 8 --ips '127.0.0.1:8080' run_pretrain_stage2.py \
    --per_device_train_batch_size 128 \     
    --model_name_or_path ${MODEL_NAME}  \
    --warmup_steps 2000 \
    --eta_min 1e-5 \
    --learning_rate 0.0001 \
    --weight_decay 0.05 \
    --num_train_epochs 10 \
    --tensor_parallel_degree 1 \  #设置张量模型的并行数。
    --sharding_parallel_degree 1 \ #设置分片数量，启用分片并行。
    --output_dir "./output" \ 
    --logging_steps 50 \
    --do_train \
    --save_strategy epoch \
1
2
3
4
5
6
7
8
9
10
11
12
13
14

注：其中#MODEL_NAME 路径配置为 paddlemix/ + 已支持的model name（如blip2-pretrained-opt2.7b,paddlemix/blip2-stage1等） 可配置参数说明（具体请参考paddlemix/examples/blip2/run_pretrain_stage2.py)

第一阶段训练

单卡训练

CUDA_VISIBLE_DEVICES=0 python paddlemix/examples/blip2/run_pretrain_stage1.py
1

多卡训练

fleetrun --gpus=0,1,2,3 paddlemix/examples/blip2/run_pretrain_stage1.py
1

第二阶段训练

单卡训练

CUDA_VISIBLE_DEVICES=0 python paddlemix/examples/blip2/run_pretrain_stage2.py
1

多卡训练

fleetrun --gpus=0,1,2,3 paddlemix/examples/blip2/run_pretrain_stage2.py
1

4.评估

问答任务评估

fleetrun --gpus=0,1,2,3 paddlemix/examples/blip2/run_eval_vqav2_zeroshot.py
1

生成任务评估

fleetrun --gpus=0,1,2,3 paddlemix/examples/blip2/run_eval_caption.py
1

5.预测

CUDA_VISIBLE_DEVICES=0 python paddlemix/examples/blip2/run_predict.py
1

多模态模型趋势总结

思想：图文特征对齐、指令微调、多任务；

结构：图像编码器Image Encoder±大语言模型LLM+对齐模块 Loss；

设计：参考对比学习探索不同的图文特征对齐方式，同时增加指令微调能力；

多模态任务学习项目推荐：PaddleMIX

Github: https://github.com/PaddlePaddle/PaddleMIX

跨模态检索相关项目：多模态CLIP以文搜图注：更多完整的多模态项目可访问飞桨官方查阅！

地址：https://aistudio.baidu.com/index

全文总结

本文主要对多模态模型的概念、下游任务类型、数据集、发展时间线的基础理论进行介绍，着重讲解经典多模态大模型（CLIP、BLIP、BLIP2等）原理及结构，最后对飞桨多模态框架PaddleMIX进行介绍，对多模态通用任务基础项目实战，感兴趣的同学可访问官方Github进行学习，最后欢迎大家相互交流学习！