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，,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,一个文本经过text_encoder得到特征;
• 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-50×4,ResNet-50×16,ResNet-50×64)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
  1. 在细分类数据集上，CLIP效果低于（有监督训练）ResNet-50（baseline网络）；
  2. 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；
  3. 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
  1. 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；
  2. 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)