LLM系列 | 23：多模态大模型：浦语·灵笔InternLM-XComposer解读、实战和思考_internlm-xcomposer图文创作模型:

• 引言

• ​简介

• 模型解读

  • 模型架构

  • 训练

• 实战

  • 环境准备

  • 本地实测

  • 服务部署

• 总结

引言

谁念西风独自凉，萧萧黄叶闭疏窗，沉思往事立残阳。

                                                         Created by DALL·E 3

小伙伴们好，我是《小窗幽记机器学习》的小编：卖热干面的小女孩。今天这篇小作文主要介绍由上海人工智能实验室推出的多模态模型：浦语·灵笔。本文先介绍浦语·灵笔的模型细节，再以实战方式结束本地部署浦语·灵笔模型并实测各种任务上的效果。如果有疑问或者想要和小编进一步交流，欢迎通过《小窗幽记机器学习》找到小编。

简介

浦语·灵笔模型是基于书生·浦语大语言模型研发的视觉-语言大模型，提供图文理解和创作能力：

• 图文交错创作:  浦语·灵笔可以为用户打造图文并貌的文章，具体是提供文章生成和配图选择的功能。这一能力由以下步骤实现：

  1. 理解用户指令，创作符合要求的文章。

  2. 智能分析文章，自动规划插图的理想位置，确定图像内容需求。

  3. 基于以文搜图服务，从图库中检索出对应图片。

• 图文理解: 浦语·灵笔设计了高效的训练策略，为模型注入海量的多模态概念和知识数据，赋予其强大的图文理解和对话能力。

从公布的技术报告可以获悉InternLM-XComposer在公开评测数据集上的战绩：在多项视觉语言大模型的主流评测上均取得了最佳性能，包括MME Benchmark (英文评测)、 MMBench (英文评测)、Seed-Bench (英文评测)、 CCBench(中文评测)、MMBench-CN (中文评测)。

截至目前(2023年10月14日)官方开源2个版本的浦语·灵笔模型:

• InternLM-XComposer-VL-7B ：该模型是基于书生·浦语大语言模型的多模态预训练和多任务训练模型，在多种评测上表现出杰出性能, 例如：MME Benchmark, MMBench Seed-Bench, CCBench, MMBench-CN。该模型是base模型，即常说的基座模型。

• InternLM-XComposer-7B：进一步对InternLM-XComposer-VL进行指令微调得到nternLM-XComposer。该微调模型可以用于创作图文并茂的文章，也支持多模态对话(目前支持图文对话，更具体是围绕给定图片的讨论，暂不支持指令编辑给定的图片)。

以下为小编体验演示：

AI科技爱科学

GitHub： 

https://github.com/InternLM/InternLM-XComposer

技术报告： 

https://arxiv.org/abs/2309.15112

模型解读

模型架构

InternLM-XComposer整体架构由3部分组成，包括视觉编码器、LLM-model (本文即InternLM) 和对齐模块(报告中称为Perceive Sampler，感知采样器)。

1. 视觉编码器：InternLMXComposer 中的视觉编码器采用 EVA-CLIP，这是标准 CLIP的改进版本，用mask图像的方式增强了模型的建模能力，能够更有效地捕捉输入图像的视觉细节。在该模块中，图像被调整为统一的 224×224 尺寸，然后以步长为14的方式切割成图块。这些图块作为输入token，再利用transformer中的自注意力机制，从而提取图像embeddings。

2. Perceive 采样器：InternLM-XComposer中的感知采样器其实是一种池化机制，旨在将图像embeddings从初始的257维度压缩为64。这些压缩优化后的embeddings随后与大型语言模型理解的知识进行对齐。仿照BLIP2的做法，InternLM-XComposer利用BERT-base中cross-attention层作为感知采样器。

3. 大型语言模型：InternLM-XComposer用InternLM 作为其基础大型语言模型。值得注意的是，InternLM 是一种功能强大的多语言模型，擅长英语和中文。具体是使用已经公开的 InternLM-Chat-7B 作为大型语言模型。

训练

InternLM-XComposer的训练过程分为 A 阶段和 B 阶段。A 阶段作为预训练阶段，利用大量数据训练基座模型。B阶段是监督微调，先做多任务训练，再做指令微调。在多任务训练后得到InternLM-XComposer-VL模型，在指令微调得到InternLM-XComposer模型。

1. Pre-training阶段：预训练基座视觉语言模型阶段利用了大量的图像-文本对(网络爬取)和交错的图像-文本数据。这些数据包括中英文两种语言的多模态数据。为了保持大型语言模型的语言能力，在 InternLM 预训练阶段使用的部分文本数据也在 InternLM-XComposer 的预训练阶段中使用。如Table 1 所示：

图像-文本对方面，使用了 11 亿张图像和 677 亿个文本token(其中506亿个英文文本token和171亿个中文文本token)，包括公开数据集和从内部数据(从网站爬取收集)，总共超过 1100 万个语义概念。内部数据集In-house Data有一个开放的子集：书生·万卷文本数据集。这个开源数据集，包含三个部分：纯文本格式数据集、文本-图像对数据集和视频数据集，可以从官网下载到，相关的数据说明也可以在对应论文上查阅。此外，还加入了约100亿个从InternLM 预训练数据集中抽样的文本token，以维持模型的语言能力。在训练过程中，所有预训练数据都经过了严格的清洗流程，以确保其质量和可靠性。

在预训练阶段，视觉编码器参数固定，主要对感知采样器和大型语言模型进行优化。感知采样器和大型语言模型的初始权重分别来自BLIP2和InternLM。由于大型语言模型天然缺乏对图像embeddings的理解，因此在多模态预训练框架内做优化有助于提高理解这些embeddings的能力。模型的训练目标集中在下一个token预测上，使用交叉熵损失作为损失函数。采用的优化算法是 AdamW，超参数设置如下：β1=0.9，β2=0.95，eps=1e-8。感知采样器和大型语言模型的最大学习速率分别设置为 2e-4 和 4e-5，采用余弦学习率衰减策略，最小学习率设置为1e-5。此外，在最初的 200 步中使用线性预热。训练过程一个batch size中约 1570 万个token，并进行 8000 次迭代。使用如此大的batch size有助于稳定训练，同时也有助于维持InternLM的固有能力。

2. 监督微调阶段：在预训练阶段，图像embeddings与文本表征对齐，使大型语言模型具有初步具备理解图像内容的能力。为进一步指导模型在恰当时机使用图像信息的能力，引入了各种视觉-语言任务。所以，整个监督微调阶段，其实由多任务训练和指令微调组成。

多任务训练。多任务训练数据集如Table 2 所示，这些任务包括场景理解（例如 COCO Caption，SUB）、位置理解（例如 Visual Spatial Reasoning 数据集）、光学字符识别OCR（例如 OCR-VQA）以及开放式回答（例如 VQAv2 ，GQA）等。

每个任务都被设计成会话交互形式，具体格式如下：

其中和 分别表示用户和机器人结束token。对于每张图像具有多个问题的QVA数据集，将其构造成多轮对话，问题随机排序，从而大大提高了 SFT 过程的效率。在这个阶段，所有问题都通过人工编写的提示引入，以增加任务的多样性。为了实现稳定且高效的微调，将大型语言模型的权重冻结，然后使用 Low-Rank Adaption（LoRA）架构进行模型微调。当然，在这个过程中，感知采样器也同时进行训练，只是学习率不同。LoRA 应用于注意力层的 query、value 和 key 以及前馈网络。实验发现较高的LoRA rank有助于赋予模型新能力；因此，将 LoRA rank和 alpha 参数都设置为 256。模型在10,000次迭代训练中使用全局batch size，值为256。LoRA 层和感知采样器的学习速率分别设置为 5e-5和 2e-5。

指令微调。为了进一步提升上述模型的指令跟随和交错的图像-文本组合能力，使用来自纯文本对话语料库和LLava-150k 的数据进行指令微调。此外，使用 LRV 数据集减轻幻觉。交错的图像-文本组合数据集的构建方法，可以查阅原始技术报告，这里略过。Batch size=256，并在1000 次迭代中使用较小的学习速率=1e-5。

实战

环境准备

安装 flash-attention：参考官方项目安装flash-attention：

pip3 install flash-attn --no-cache-dir  --no-build-isolation -i https://mirrors.cloud.tencent.com/pypi/simple

安装 rotaty

pip3 install "git+https://github.com/Dao-AILab/flash-attention.git#subdirectory=csrc/rotary" -i https://mirrors.cloud.tencent.com/pypi/simple

如果不安装，可能报错：

  File "/root/.cache/huggingface/modules/transformers_modules/internlm-xcomposer-7b/modeling_InternLM.py", line 5, in <module>
    import rotary_emb
ModuleNotFoundError: No module named 'rotary_emb'

注意，如果需要设置代理，请提前设置：

export HTTPS_PROXY=XXX
export HTTP_PROXY=XXXX

本地实测

取如下图片进行测试：

测试代码：

"""
CUDA_VISIBLE_DEVICES=7 python3 examples/example_chat.py
"""
import torch
from transformers import AutoModel, AutoTokenizer
 
torch.set_grad_enabled(False)
 
# init model and tokenizer
model_id = "/home/model_zoo/LLM/internlm/internlm-xcomposer-7b/"
model = AutoModel.from_pretrained(model_id, trust_remote_code=True).cuda().eval()
tokenizer = AutoTokenizer.from_pretrained(model_id, trust_remote_code=True)
model.tokenizer = tokenizer
 
# example image
image = 'examples/images/baoguoma.jpeg'
 
# Single-Turn Pure-Text Dialogue
text = '请介绍下马保国'
response = model.generate(text)
print(f'User: {text}')
print(f'Bot: {response}')
 
# Single-Turn Text-Image Dialogue
text = '请问这张图片里面的人是谁？并介绍下他。'
image = 'examples/images/baoguoma.jpeg'
response = model.generate(text, image)
print(f'User: {text}')
print(f'Bot: {response}')
 
# Multi-Turn Text-Image Dialogue
# 1st turn
text = '图片里面的是谁？'
response, history = model.chat(text=text, image=image, history=None)
print(f'User: {text}')
print(f'Bot: {response}')
 
# 2nd turn
text = '他有哪些成就?'
response, history = model.chat(text=text, image=None, history=history)
print(f'User: {text}')
print(f'Bot: {response}')
 
# 3rd turn
text = '他是最伟大的物理学家吗?'
response, history = model.chat(text=text, image=None, history=history)
print(f'User: {text}')
print(f'Bot: {response}')
 

输出结果：

User: 请介绍下马保国
Bot: 马保国，男，汉族，1952年出生于河北省邯郸市大名县，中国武术家。
 
2015年11月30日，马保国在一场业余搏击比赛中，被业余选手王庆民连续三拳打倒在地，随后倒地不起，被送往医院后抢救无效去世。
 
 
User: 请问这张图片里面的人是谁？并介绍下他。
Bot: 这张图片里面的人是一位男子，他戴着墨镜，面带微笑，看起来心情不错。男子名叫郭德纲，是中国著名的相声演员和主持人。
 
User: 图片里面的是谁？
Bot: 图片里面的是郭德纲。
 
User: 他有哪些成就?
Bot: 郭德纲是中国相声演员、主持人、影视演员。
 
User: 他是最伟大的物理学家吗?
Bot: 对不起，郭德纲并不是物理学家。

换成蔡某某的照片：

重新测试，输出结果如下：

User: 请介绍下蔡徐坤
Bot: 蔡徐坤（Cai Xukun），1998年8月2日出生于浙江省温州市，中国内地流行乐男歌手、影视演员。
 
2012年，参加选秀节目《向上吧！少年》进入全国300强
。2013年，参加浙江卫视歌唱选秀节目《中国好声音第二季》，最终获得周杰伦组亚军、全国总决赛季军
。2018年4月6日，发行个人首支原创单曲《I Wanna Get Love》
；5月2日，发行原创单曲《Wait Wait Wait》
；8月2日，发行原创单曲《Hard To Get》
；12月21日，发行原创单曲《Pull Up》
。2019年1月1日，发行原创单曲《YOUNG》
；2月14日，发行原创单曲《情人》
；4月6日，发行原创单曲《重生》
；7月6日，发行原创
User: 请问这张图片里面的人是谁？并介绍下他。
Bot: 这张图片里的人是蔡徐坤。蔡徐坤是一位中国男歌手和演员，他在2018年通过选秀节目《偶像练习生》出道，成为NINE PERCENT成员之一。
 
User: 图片里面的是谁？
Bot: 蔡徐坤
 
User: 他有哪些成就?
Bot: 蔡徐坤是中国内地流行乐男歌手、音乐制作人、影视演员。
 
User: 他是最伟大的篮球运动员吗?
Bot: 对不起，我无法回答这个问题。
 
User: 描述下这张图片?
Bot: 这是一张蔡徐坤的照片，他正在打篮球。

服务部署

如果服务器因为网络原因只能使用本地模型，或者个人已经其他下载好模型，想要直接指定模型路径，那么需要进行几处修改。

1. modeling_vit.py将原来的：

url = "https://storage.googleapis.com/sfr-vision-language-research/LAVIS/models/BLIP2/eva_vit_g.pth"
    cached_file = download_cached_file(url, check_hash=False, progress=True)

改为：

# 预先下载好 "https://storage.googleapis.com/sfr-vision-language-research/LAVIS/models/BLIP2/eva_vit_g.pth" 文件，然后存在机器上。
 
cached_file = "/home/model_zoo/LLM/internlm/internlm-xcomposer-7b/eva_vit_g.pth"

1. modeling_InternLM_XComposer.py：将原来的

encoder_config = BertConfig.from_pretrained("bert-base-uncased")

改为：

# 预先下载https://huggingface.co/bert-base-uncased/tree/main的模型存于 /home/model_zoo/LLM/bert-base-uncased
local_model_path = "/home/model_zoo/LLM/bert-base-uncased"  # "bert-base-uncased"
encoder_config = BertConfig.from_pretrained(local_model_path)

将原来的：

Qformer = BertLMHeadModel.from_pretrained("bert-base-uncased", config=encoder_config)

改为：

local_model_path = "/home/model_zoo/LLM/bert-base-uncased" 
Qformer = BertLMHeadModel.from_pretrained(local_model_path, config=encoder_config)

启动服务：

CUDA_VISIBLE_DEVICES=7 python3 examples/web_demo.py

图文交错创作功能测试：

其中文章生成的配图来自调用内部以文搜图模块，并非通过图片生成的方式。但是，以文搜图的图库和背后的逻辑并没有说明，目前只给出一个调用接口https://lingbi.openxlab.org.cn/image/similar，且caption字符串最多54个字符。

图文理解测试：

总结

虽然技术层面没有太多创新，但是图文交叉的产品应用形态，还是值得肯定和借鉴的。如果可以进一步支持文章配图生成，直接解决配图版权问题，在体验层面会有更多惊喜。其实，小编在每篇小作文开头的配图都是生成的，比如今天小作文开头诗句配图就是通过DALL·E 3直接生成的。至于图文理解方面效果还行，但是对于近期知识和图中图标等一些局部元素的理解不足。后续需要考虑如何增量的方式融入新知识或者使用类似LORA的方式挂载外部知识。

此外，在使用过程中发现，ORC效果很差，但是技术报告里面声称，在微调阶段使用了OCR数据：OCR-VQA，但是在实际使用的时候，为啥OCR能力如此差？同样有待后续提高。