CLIP论文详解 – 潘登同学的深度学习笔记

前言

CLIP算是在跨模态训练无监督中的开创性工作  
    
    
  ，作者在开头梳理了现在vision上的训练方式

     


     


     
，从有监督的训练 




 




 




，到弱监督训练  

   

   

 ，再到最终的无监督训练    
    
    
。这样训练的好处在于可以避免的有监督的 categorical label的限制

     

     

     ，具有zero-shot性质  




  




  




，极大的提升了模型的实用性能   


     


     


  。

zero-shot：是指零样本学习  


  


  


，在别的数据集上学习好了
     
     
     ，直接迁移做分类；

这篇文章中作者提到早在2017年之后就陆续有工作提出和本文类似的想法
   




   




   



，但是他们的数据大小都太小了 



 



 



，导致没有很好的结果



 




 




 
。作者单独收集了一份含有4亿份数据的大数据集               ，才得以得到很好的效果   

   

   

。这种现象最近好像在机器学习领域越来越突出

    




    




    


，力大砖飞














，这无疑降低了benchmark的可信性               ，而且增加了小工作组的压力    

     

     

 。

此外作者提到prompt engineering and ensembling也是一个值得研究的方向

     



     



     

，也就是生成的template如果能够结合对应的dataset的特征














，相当于给予模型额外的信息；

为什么CLIP要采用对比学习的方法

OpenAI是一家从来不愁计算资源的公司  
    
    
  ，他们喜欢将一切都gpt化(就是做生成式模型)； 但是以往的工作表明(ResNeXt101-32x48d, Noisy Student EfficientNet-L2),训练资源往往需要很多

     


     


     
，何况这些都只是在ImageNet上的结果 




 




 




，只是1000类的分类任务  

   

   

 ，而CLIP要做的是开发世界的视觉识别任务

     

     

     ，所以训练的效率对于自监督的模型至关重要； 而如果任务改为给定一张图片去预测一个文本(或者给定一个文本去预测一张图片)  




  




  




，那么训练效率将会非常低下(因为一个图片可能对应很多种说法  


  


  


，一个文本也对应着很多种场景)； 所以与其做默写古诗词
     
     
     ，不如做选择题！(只要判断哪一个文本与图片配对即可)； 通过从预测任务改为只预测某个单词到只选出配对的答案
   




   




   



，模型的训练效率一下提升了4倍；

整体架构

作者团队收集的4亿的图片文本对作为训练样本 



 



 



，称之为WIT(因为以往有的数据集要么是规模太小, MS-COCO               ，Visual Genome

    




    




    


，要么是数据标注质量太差YFCC100M)； 在一个batch中输入32768个图片文本对














，

(

I

1

,

T

1

)

(I_1,T_1)

(I1​,T1​),则是第一个图像文本对               ，模型的目的是使这两个特征尽量相似

     



     



     

，而与别的特征尽量远离；

Pre-train

训练阶段

一个图片经过Image_encoder得到特征

I

f

I_f

If​,一个文本经过text_encoder得到特征

T

f

T_f

Tf​; 两个特征分别经过不同的FC层(目的是将单模态的特征转化为多模态














，因为图片的特征可能本身就与文本的不一致  
    
    
  ，需要转换

     


     


     
，但是这里没接激活函数 




 




 




，因为作者发现在多模态下接不接都一样)； 再做一次L2归一化； 计算余弦相似度  

   

   

 ，得到logits； logits与GT计算交叉熵目标函数； 而这里的GT就是一个单位阵(因为目标是配对样本之间相似性最强为1

     

     

     ，而其他为0)； 最后将图片的loss与文本的loss加起来求平均即可；

主干模型

在文本方面就是Transformer； 在图像方面选择了5中ResNets(ResNet-50,ResNet-101,3个EfficientNet的变体  




  




  




，ResNet-50x4,ResNet-50x16,ResNet-50x64)和三种VIT(分贝是VIT-B/32,VIT-B/16,VIT-L/14)

Zero-shot

CLIP 文章的核心 = Zero-shot Transfer

作者研究迁移学习的动机：

之前自监督or无监督的方法  


  


  


，主要研究 frature 学习的能力
     
     
     ，model的目标是学习泛化性能好的特征
   




   




   



，虽然学习到good-feature 



 



 



，但down-owrk中               ，还是需要有标签数据做微调




  




  




  。作者想仅训练一个model

    




    




    


，在down-work中不再微调  


  


  


。

推理阶段

将要做的分类以填空的形式填进一句话中














，以ImageNet为例就是1000句话输入Text Encoder得到输出；

将要识别的图片经过Image Encoder得到图片输出               ，比较文本的输出与图片的输出

     



     



     

，选择最相似的那句话就是图片的类别；

与之前Zero-shot模型的对比

Prompt 方法在什么时候用

Prompt是提示的意思














，对model进行微调和直接做推理时有效；

为什么要用 prompt engineering and ensembling

由于一个word 具有多义性  
    
    
  ，图片和文字匹配容易出错

     


     


     
，所以作者将word放在语境中 




 




 




，来提高匹配度； Prompt不仅能做匹配； 一旦加入这个prompt engineering and ensembling  

   

   

 ，准确度上升了1.3%；

最后在CLIP中

     

     

     ，总共用了80个prompt template之多；

实验

大范围数据集结果

做了27个数据集的分类任务  




  




  




，baseline是ResNet-50  


  


  


，ResNet-50是有监督模型在各个数据集上训练好的
     
     
     ， 然后两个模型在其他数据集上zero-shot；

在大多数分类任务
   




   




   



，给车    
    
    
、食物等做分类的问题上CLIP都表现的很好 



 



 



， 但是在DTD这种纹理进行分类或CLEVRCounts给物体计数的任务               ，对于CLIP无监督模型来说就很难了；

所以作者认为在这些更难的数据集做few-shot可能比zero-shot更好；

few-shot与zero-shot的对比

few-shot也是将back-blone冻住

    




    




    


，训练分类头；

横坐标是指在每个类别中选出了几个训练样本














，纵坐标就是模型的准确率了(在20个数据集上的平均结果               ，因为有7个数据集中有些训练样本不足16个)；

因为别的模型不是多模态的

     



     



     

，所以只能从1-shot开始； 其中














，BiT-M是google中bit transfer的一个模型  
    
    
  ，专门为迁移学习量身定做的

     


     


     
，而zero-shot的CLIP直接与few-shot的BiT-M打成平手； 而CLIP可以从zero-shot开始； 可以看出当学习样本很少的时候CLIPfew-shot的表现还不如zero-shot；

Representation Learning

为了证明Pre-Train的成功 




 




 




，CLIP将预训练好的模型在下游任务中做了Linear probe  

   

   

 ，就是模型主体冻住

     

     

     ，只调Linear分类头  




  




  




，因为这样不用太多的调参  


  


  


，也能证明模型的特征学的好不好；

其中横坐标是一次前向过程的计算量
     
     
     ，纵坐标是分类准确度； 可以看出CLIP是在计算量与准确度方面trade-off做的最好的一个模型；

模型的泛化性

当数据有distribution shift的时候
   




   




   



，模型的表现如何 



 



 



，这是CLIP最惊艳的结果：

可以看出CLIP在数据分布的偏移样本上               ，远远超过ResNet101

    




    




    


，而且结果保持地依旧稳健；

与人进行对比

将CLIP与人进行zero-shot














，one-shot               ，two-shot的对比

     



     



     

，分类的物体是37种狗和猫的图片；

可以看出人在zero-shot与one-shot的差别是很大的














，表明人学习的能力是很强的； 但是人的one-shot与two-shot区别不大  
    
    
  ，说明了人在没有先验知识

     


     


     
，只是通过样本学习 




 




 




，不一定能学的更好；

除此之外  

   

   

 ，作者还将这些类的分类结果列了出来

可以看出在人判断准确率较高的类别上

     

     

     ，机器的准确率也高； 在人判断不准的类别上  




  




  




，机器判断也不准； 说明人与机器学到的数据分布很接近；

局限性和不足

平均来看  


  


  


，CLIIP可以和机械模型（ResNet-50（在ImageNet上训练））持平
     
     
     ， 若继续增加数据集和model规模
   




   




   



，CLIP性能可以继续提高 



 



 



，但是代价很大（需提高计算和数据的高效性；但与Noisy Student的88还是有很大差距; zreo-shot结果并不好 在细分类数据集上               ，CLIP效果低于（有监督训练）ResNet-50（baseline网络）； CLIP无法处理抽象概念,如数数任务

    




    




    


，或者判断一个监控画面是正常还是异常； 在很多领域














，CLIP性能和瞎猜差不多； 若数据集中的data 已经 out-of-distribution,那么CLIP-model泛化照样差；(在MNIST数据集上               ，CLIP准确率仅有88%; 因为作者收集的数据集有4亿个样本

     



     



     

，但没有和MINIS长得像的














，所以MINIS数据集对于CLIP来说就是out-of-distribution数据集)； CLIP这个模型没什么大不了的  
    
    
  ，和普通的DL-model差不多

     


     


     
，都很脆弱     
     
     
。 CLIP不能高效利用数据 训练了epoch = 32 




 




 




，每个epoch过4亿个图片  

   

   

 ，跑了128亿张图片

     

     

     ，如果一秒一张需要405年； 数据用量多  




  




  




，作者希望减少数据用量  


  


  


，(三种方案： 数据增强
     
     
     ，自监督
   




   




   



，伪标签) 用所有数据进行训练 



 



 



，调整很多次模型结构和超参数               ，才得出好结果

    




    




    


，且每次用ImageNet数据集作为指导




   




   




   。所以CLIP并非做出真正的zero-shot工作
 



 



 


。(选择偏差) 爬取图片未清洗和审查(有社会偏见














，OpenAI不开源经典借口) 语言无法描述太复杂的概念

作者想要：

把一切都GPT（生成式模型）化               ，因为CLIP还是根据给定的1000个选项去选择到底是那个类比

     



     



     

，作者更像直接一张图片














，然后生成对应的标题               。但受限于计算资源  
    
    
  ，作者没法做成   
    
    
  ” 自动生成模型 “ 的网络 




    




    




   。(以后的DALL)