GPT Plus Money！B O O M

NewBeeNLP

发布于 2021-10-20 09:59:31

7490

发布于 2021-10-20 09:59:31

文章被收录于专栏：NewBeeNLPNewBeeNLP

NewBeeNLP原创出品公众号专栏作者@上杉翔二悠闲会 · 信息检索

连接图像和文本，更多的多模态文章可以看博主整理过的系列（跨界出圈 | 谈谈BERT跨模态预训练），本篇文章主要整理一下OpenAI发表的2篇文章。其中CLIP 能够完成图像与文本类别的匹配，DALL·E 则可以直接基于文本描述生成图像，且性能十分优异。

CLIP

论文：Learning Transferable Visual Models From Natural Language Supervision
地址：https://arxiv.org/pdf/2103.00020.pdf
代码：https://github.com/openai/CLIP

首先是CLIP，直接看模型吧，分为三步：Contrastive Pretraning，Create dataset classifier from label text和use for zero-shot prediction。

第一部分的整体架构如上图，是图文匹配的双流分支，一边是图像编码器（如resnet50或者ViT等），另一边是文本编码器（如Transformer）得到特征，然后对一个batch的文图pair对数据算内积得到匹配矩阵，这个矩阵行方向就是对图像的分类器，而从文本角度看列方向也是类似的分类器。最后使对角线的蓝色部分概率最大化就行（使匹配的pair内积相似度最大化），对比学习[1]博主已经整理过不做赘述。

这一步是主要是利用大量的训练数据（直接从网上得到的句子-图像对）得到特征的表示。接下来的两步是测试过程，流程如下图：

和训练阶段类似，首先将需要分类的图像经过编码器得到特征，然后把目标任务数据集的每一个标签转为一个对应的文本（因为CLIP的Pretraning数据是句子，对于分类任务的单词label是不适用的），如上图中的 dog 这一label会改造成 "A photo of a dog"，并且dog这个词被mask，尝试通过模型算内积相似度来预测出这个词，也就能做好分类了，由于是生成句子的感觉，所以其实它十分适合做zero-shot 的分类。

同时，基于 CLIP 还可以自由定义自己的分类器！也就是说可以很方便的利用CLIP和很多工作结合，比如等会要整理的 DALL-E 中就用到了 CLIP来提特征。

简单看看CLIP里面的逻辑流程

def forward(self, image, text):
        image_features = self.encode_image(image) #编码image
        text_features = self.encode_text(text) #编码text

        # norm一下特征
        image_features = image_features / image_features.norm(dim=-1, keepdim=True)
        text_features = text_features / text_features.norm(dim=-1, keepdim=True)

        # 计算内积相似度logits
        logit_scale = self.logit_scale.exp()
        logits_per_image = logit_scale * image_features @ text_features.t()
        logits_per_text = logit_scale * text_features @ image_features.t()

        # shape = [global_batch_size, global_batch_size]
        return logits_per_image, logits_per_text

为什么效果好？

数据集量大。Contrastive Pretraning部分使用的数据是作者从社交媒体上搜集的大约4亿对的数据，且不需要人来标注（很省人力也扩大了泛化性）。对于每个图像都有多达32,768个文本候选，本以为SimCLR够大 CLIP是2倍.....
学习object而不是预测整个的文本描述。即把dog变成 "A photo of a dog"这种形式，然后预测dog，可以加速对比学习的速度到4-10倍。
Vision Transformer。这个博主也整理过不赘述：传送门[2]。代码中作者使用ViT，使用它也是可以比普通的resnet速度快3倍，这都可以使CLIP在更大数据集上，更长时间上进行烧钱（训练）。

DALL-E

论文：Zero-Shot Text-to-Image Generation
地址：https://arxiv.org/pdf/2102.12092.pdf
代码：https://github.com/openai/DALL-E

然后是DALL-E模型，CLIP主要可以做分类检索等任务，而它则可以直接根据文本生成效果非常好的图像。motivation是目标是训练一个transformer进行自动建模，即将文本以及图片的tokens转换为单一的数据流，所以主要是需要考虑如何对2D的图片也转为单数据流。

也是直接看模型，如上图可以分为三个阶段：dVAE，Transformer和CLIP。

「Stage One」。dVAE用来为图像的每个patch生成token表示（得到单数据流）。具体来说是将256×256的图片分为32×32个patch，然后使用训练好的离散变分自编码器dVAE模型将每个patch映射到大小为8192的词表中，最终将一张图片转为有1024个token的表示。这一阶段会让transformer的上下文尺寸（context size）减少192倍，同时还不会大幅降低“视觉”质量。
「Stage Two」。Transformer架构采用类似GPT-3的生成式预训练方法。如图会首先使用BPE-encoder对文本进行嵌入，得到256个token（不够就padding），然后concat图像token进行拼接，然后直接输入到训练好的具有120亿参数的Transformer模型中对联合分布进行建模（64层，每层62头，每头64维，最后的维度为3968）。
「sample and ranking」。最后可以对模型生成的图像进行采样，然后使用CLIP模型对采样结果进行排序，从而得到与文本最匹配的生成图像。

值得注意的一些trick：

Gumbel-Softmax。映射图像patch到词表是离散的，所以要用条件放松的ELB（evidence lower bound）。
在VAE编码器的末端和解码器的开始使用1×1卷积
将编码器和解码器重分块的输出激活乘一个小常量
对文本-图像 token 的交叉熵损失进行归一化
因为主要图像建模，因此将文本的交叉熵损失乘以1/8，将图像的交叉熵损失乘以7/8
使用Adam算法，以指数加权的迭代平均法进行优化
混合精度训练，为了节省GPU内存并提高吞吐量
分布式优化

还有大佬复现code：https://github.com/lucidrains/DALLE-pytorch

这个复现的库可直接调用训练，似乎非常好用，如果你有足够的卡那么pip一下即可：

pip install dalle-pytorch

import torch
from dalle_pytorch import CLIP

clip = CLIP(
    dim_text = 512,
    dim_image = 512,
    dim_latent = 512,
    num_text_tokens = 10000,
    text_enc_depth = 6,
    text_seq_len = 256,
    text_heads = 8,
    num_visual_tokens = 512,
    visual_enc_depth = 6,
    visual_image_size = 256,
    visual_patch_size = 32,
    visual_heads = 8
) #设置CLIP的参数

text = torch.randint(0, 10000, (4, 256))
images = torch.randn(4, 3, 256, 256)
mask = torch.ones_like(text).bool()

loss = clip(text, images, text_mask = mask, return_loss = True) #直接训练CLIP
loss.backward()