OpenAI打破文本和图像次元壁，提出基于对比学习的多模态预训练模型CLIP

OpenAI 打破了自然语言与视觉的次元壁，推出了一个连接文本与图像的神经网络模型CLIP。

相关资料

• CLIP原论文：Radford et al. Learning transferable visual models from natural language
  supervision. In ICML, 2021. https://arxiv.org/pdf/2103.00020.pdf (阅读30%)
• ⭐⭐⭐李沐CLIP论文解读：[video] CLIP 论文逐段精读【论文精读】 (阅读20%)
• 代码：https://github.com/openai/CLIP
• CLIP论文笔记–《Learning Transferable Visual Models From Natural Language Supervision》
• CLIP: Connecting Text and Images https://openai.com/blog/clip/

CLIP预训练阶段（对比学习训练）

对比学习非常灵活，它只需要你一个正样本和负样本的定义，其他都是正常的套路

对角线上的是正样本，其他的都是负样本。上图共有N个正样本和$N\ast (N-1)$个负样本。有了正负样本，模型就可以用对比学习的方式训练起来了。完全不需要任何手工的标注。

OpenAI专门收集了一个数据集，里面有4亿个图片和文本的配对，这也是为什么CLIP这个预训练模型能那么强大的原因之一。作者用4亿对来自网络的图文数据集，将文本作为图像标签，进行训练。这个数据集称为WebImageText（小红书的笔记其实天然有这种图片和文本的配对关系，因为通常来说它里面的笔记图片和文本相关性是比较高的，小红书推荐系统的笔记多样性用到了CLIP模型）

# image_encoder - 残差网络 或者 ViT
# text_encoder - CBOW 或者 文本Transformer
# I[n, h, w, c] - 训练图像
# T[n, l] - 训练文本
# W_i[d_i, d_e] - 训练图像生成的特征向量
# W_t[d_t, d_e]  - 训练文本生成的特征向量
# t - softmax的温度（temperature）参数

# 提取多模态的特征
I_f = image_encoder(I) #[n, d_i]
T_f = text_encoder(T) #[n, d_t]

# 多模态特征向特征空间的映射
I_e = l2_normalize(np.dot(I_f, W_i), axis=1)
T_e = l2_normalize(np.dot(T_f, W_t), axis=1)

# 计算余弦相似度
logits = np.dot(I_e, T_e.T) * np.exp(t)

# 构建损失函数
labels = np.arange(n)
loss_i = cross_entropy_loss(logits, labels, axis=0)
loss_t  = cross_entropy_loss(logits, labels, axis=1)
loss = (loss_i + loss_t)/2
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24

CLIP预测阶段

CLIP如何做zero shot推理？引入Prompt思想。

在预测时，如果直接用单词作为句子，过文本特征提取器的话，会导致跟训练阶段的模式不一致（训练阶段看到的一般都是一个句子），导致效果下降。

作者提出的预测过程非常巧妙：

• 当来一张新图片，先过图片特征提取器，得到图片向量表征$I_1$，然后跟所有的文本向量表征$T_1,T_2,...,T_N$去算余弦相似度，然后选择相似度最高的那个句子，把那个句子里面的类别单词，作为分类的结果。

CLIP彻底摆脱了categorical label的限制

之前的模型，如ResNet101，需要事先指定要1000个分类标签，然后进行模型训练和预测，并且来一张新的图片，模型只会去预测这种图片最像这1000个类别中的哪一个。

CLIP彻底摆脱了categorical label的限制，也就是在训练和预测时，我都不需要有提取定好的类别列表（如CIFAR10的10个类别标签）。任何给一张图片，如奥特曼，我只要在Prompt文本里去加入一些自己想的类别（如三轮车、奥特曼、马铃薯），然后模型就能预测这种图片是不是我感兴趣的物品。

CLIP的迁移效果很强

CLIP学习到的语义信息非常强大。