超越CLIP！谷歌发布首个大规模MoE架构的视觉语言模型

文 | 明敏（发自凹非寺）
源 | 量子位

多模态模型常见，但是基于稀疏化的还是头一个。谷歌带来最新成果LIMoE，首次将稀疏化方法用在了图像文本混合模型上。要知道，随着大模型参数呈指数级增加，训练成本也是一路飙升。

所以如何降低训练成本，成为了目前学界重点关注的一个问题。

谷歌想到的办法，不是拼硬件，而是从模型本身入手。利用稀疏化的方法，让每次输入只需激活部分网络就能完成任务。

它们在模型内部设置了很多“专家”，每个“专家”只需处理对应部分的输入，根据任务情况按需使用“专家”就好。这样一来，尽管模型容量很大，但是计算成本并没有暴增。而且还不会降低性能。新方法LIMoE零样本学习任务中，可是直接超越了CLIP。怪不得网友高呼：

快分享给我们API！

让不同“专家”处理不同任务

对于深度学习来说，能同时处理文本图像任务其实已经不稀奇。不过过去常见的多模态学习方法，往往是单个输入就需要激活整个网络。谷歌这次提出的新方法，最大亮点就是首次在这一领域采用了稀疏化模型。

稀疏化的方法便是无需让整个模型来处理所有的输入。通过对神经网络进行划分，它让神经网络也“专业对口”，不同的子模型只处理固定类型的任务或数据。

但也不是完全割裂开来，模型内部仍有可共享的部分。此次基于的模型是MoE（Mixture-of-Experts layer），它被称为专家混合模型。也就是在Transformer架构的基础上，加设了“专家层”。

它是一个并行的FNN，取代了原本的前馈网络。这里的“专家”，也就是模型内部的不同子模型。每个子模型专门用于不同的输入。

每一层中的专家由门控网络控制，该网络根据输入数据激活专家。对于每个标记，门控网络选择最合适的专家来处理数据。

此次新提出的LIMoE，其实就是让MoE能同时处理图像文本。具体来看，就是让LIMoE进行对比学习。

在利用大量图像-文本对训练时，网络内部的图像模型提取图像表示，文本模型提取文本表示。针对相同的图像-文本对，模型会拉近图像和文本表示的距离。

反之，对于不同的图像-文本对，则会让相应的表示彼此远离。这样一来的直接好处，就是能实现零样本学习。比如一张图像的表示更接近文本“狗”的表示，那么它就会被归类为狗。这种思路可以扩展到数千种情况。

实际上，CLIP和ALIGAN采用的都是这个思路，它们在ImageNet数据集上的精度分别是76.2%、76.4%。而LIMoE-L/16可以达到78.6% ，已经超过了CLIP。未经过预训练的LIMoE H/14则能达到84.1%的精度。

而在LIMoE的专家层中，谷歌表示还发现了一些有趣的现象。比如在训练设置中，图像标记比文本标记要多很多，因此所有专家都会在在任务中多少处理些图像。

只不过有的会主要处理图像，有的主要处理文本，或者二者兼具。还有在大多数情况下，都会有一个专家来处理所有包含文本表示的图像patch。

除了性能上的提升，使用稀疏化模型的好处还体现在降低计算成本上。因为“多专家”的模式意味着，尽管多设了很多子模型，模型容量显著增加，但是实际计算成本并没有明显变化。

如果一次任务中只使用了一个子模型，那它的成本和标准Transformer的差不多。比如LIMoE-H/14总共有5.6B参数，但是通过稀疏化，它只会使用每个token的675M参数。

One More Thing

稀疏化模型一直是谷歌深度研究的一个方向，已经提出了MoE、GLaM在内的多个模型。这次LIMoE也不是谷歌第一次魔改MoE。

去年6月，他们提出了V-MoE，是一种新型的视觉架构，今年已将全部代码开源。

参考链接：
https://ai.googleblog.com/2022/06/limoe-learning-multiple-modalities-with.html

后台回复关键词【入群】

加入卖萌屋NLP、CV、搜广推与求职讨论群

后台回复关键词【顶会】

获取ACL、CIKM等各大顶会论文集！