大模型学习 -- CLIP

本文是CLIP算法的学习笔记，从CLIP算法介绍到具体实现原理，再到应用方法和后续一些优化策略来学习CLIP系列算法。

CLIP是什么：

CLIP全称是Contrastive Language–Image Pre-training，一种基于对比文本-图像对的预训练方法。

CLIP怎么做的

主要包含Text Encoder和Image Encoder两个模块，分别提取文本和图像特征，然后基于比对学习让模型学习到文本-图像的匹配关系。原文使用大规模数据(4亿文本-图像对)进行训练,基于海量数据，CLIP模型可以学习到更多通用的视觉语义信息，给下游任务提高帮助。

 

CLIP怎么用

CLIP可以应用与众多的下游任务。例如图文检索，文本视频检索，图文问答，图文生成等。

CLIP系列优化方法：

主要学习基于CLIP的后续一系列工作，包括多篇论文方法。

FLIP：Scaling Language-Image Pre-trainingvia Masking

一种简单高效的CLIP加速训练方法，只需mask掉部分图像，就可以将CLIP的训练过程加速2~3倍，而且能实现更好的性能。

 我们知道输入到image encoder(transformer)的图像先要处理成多个patch，每个patch相当于sequence中的一个词。我们对这个sequence做随机mask，按比例随机掩盖掉一些词，然后将剩下的词(image patch)输入到encoder中。

 这样做的好处是减小了sequence的长度，也就减少了计算量，训练速度更快；同时减小显存占用，可以增大batch size，有利于对比学习。另一方面，这种操作有点类似dropout，相当于正则化。

最后，为了减少分布上的gap(训练mask测试一版不mask)，FLIP会在最后增加少量的unmasking训练，可以进一步提升模型的性能。

FILIP：Fine-grained Interactive Language-Image Pre-Training

CLIP的双塔结构分别提取图像和文本的全局特征做对比学习，缺少局部信息的交互，FILIP增加了image tokens和text tokens的细粒度交互。

DeCLIP：Supervision Exists Everywhere: A Data Efficient Contrastive Language-Image Pre-training Paradigm

参考博客 DeCLIP一种数据高效的CLIP训练方法 | 一起打怪升级呀

在CLIP的基础上，采用了多种监督形式，包括：

• 单模态自监督学习
  • 图像自监督(ISS)：同一张图片进过数据增强获得俩个view：(xI,x~I)(xI,x~I),将经过数据增强后的结果经过相同的encoder得到俩个embedding向量(zI,z~I)(zI,z~I)，之后将其中一个embedding向量xIxI再经过一个perd层得到向量pIpI,训练时让pIpI和x~Ix~I 尽量接近；

  • 文本自监督(TSS)：文本自监督使用的是MLM方法，即随机mask掉文本中15%的token，然后利用前后token预测被mask掉的token；

• 跨模态多视角监督学习(MVS)
  • CLIP只使用的原始图像-文本对(zI,zT)(zI,zT)，计算infoNCE损失，而DeCLIP中使用的是增强后的文本和图像计算infoNCE损失：(zI,zT),(z~I,zT),(zI,z~T),(z~I,z~T)(zI,zT),(z~I,zT),(zI,z~T),(z~I,z~T) ，相比CLIP多了3个监督信息；
• 最近邻监督学习(NNS)
  • 考虑到相同的图像可能会有类似的语言描述，因此选择语言描述相似的图文进行对比学习，通过维护一个先入先出的队列来模拟整个数据的分布，从队列中选择最相似的句子作为正样本zT′zT′，之后使用InfoNCE计算最近邻损失：(zI,zT′),(z~I,zT′)(zI,zT′),(z~I,zT′);

训练loss为以上几部分的加权和：