CLIP详细讲解

CLIP Contrastive language image pre-training ICML OpenAI 2021
论文：https://arxiv.org/pdf/2103.00020
代码：https://github.com/openai/CLIP
动机：在NLP领域，利用大规模数据预训练模型，用与下游任务无关的训练方式取得革命性的成功。将NLP的成功复制到其它领域中，如视觉领域。限定类别计算机视觉任务，简化了任务，同时也限制了模型的泛化能力，识别新类别。

LLM：随着transformer和自监督兴起，NLP encoder，利用1.大规模数据预训练模型2.采用具有上下文语义环境的学习方式（deep contextual representation learning），如bert的完型填空，可以利用无穷尽的文本监督信号，其与下游任务无关。如，Bert，GPT，T5。

一句话：预训练阶段，通过对比学习，利用文本提示监督，训练预训练大模型，去做zero shot的迁移学习，大规模数据和大模型的双重加持下，效果与baseline持平。

最大贡献：打破了固定种类标签的范式，让下游任务的推理变得灵活，高效可扩展，在zero-shot的情况下，效果不错。
关键词：视觉+NLP+多模态+无监督学习
优点：处理数据更方面，训练模型更方便，推理时更方便，甚至可以zero-shot

1.CLIP结构

CLIP模型的输入是一个图像和文字的配对（文本描述图像），通过文本编码器text encoder和图像编码器image encoder抽取各自文本和图像特征，二者做对比学习，判断文本描述和图像特征的相似度。
CLIP通过大量训练数据，利用自然语言的监督信号训练比较好的视觉模型，无监督学习。视觉语义和文字语义联系到一起，学习到的特征语义性很强，多模态特征，迁移效果也非常好。收集数据集或训练模型时不需要提前定义类别，搜集图文配对，无监督学习，预测相似性。
正样本和负样本相似度计算（对比学习），对角线位置配对正样本n个，其它位置负样本配对nxn-n个。

2.zero-shot推理
（1） zero shot transfer 零样本迁移，CLIP的核心所在
以往通过自监督或无监督方法，主要研究的是特征学习的能力，目标是学一种泛化性比较好的特征，但是下游任务仍然需要有label的数据去微调。
CLIP训练和下游任务无关，在进行下游任务时，不必进行任务输出头设计或数据集的特殊处理。
（2）怎么做zero-shot transfer？给入图像，看有没有感兴趣的类别
liner probe ：抽取特征层冻结，加入分类头fc，CLIP直接就可以兼容下游任务。
输入图像与提前设置好的prompt的文本，进行cosine similarity，筛选相似度最高prompt即可得到label。
ImageNet没有三轮车label，设置为车，但是prompt中输入三轮车label，ImageNet可能可以判断出是三轮车
文本计算特征的时候，不是顺序进行的，是批次进行的，所以CLIP推理高效

3.prompt engineering and ensemble
prompt：提示，文本的引导作用，设计prompt template

3.1prompt engineering
（1）多义性（ploysemy），同个单词在不同语境中意思不同，所以设置prompt句子描述语境
（2）训练句子，推理单词，会出现distribution gap，准确率下降

基于上述原因，采用提示模板prompt template，如 a photo of a { label }
好的prompt template可以缩小解空间，提高准确率，如， a photo of a { label }，a type of pet；OCR， a photo of a “dog”，会识别文字，不是dog

3.2prompt ensemble
多个提示模板，综合多次推理结果，得到更好的结果。paper中使用了80个提示模板。
在微调或推理阶段使用prompt，不在预训练阶段，提升了ImageNet 1.3%

4.实验
4.1数据集
训练集：WIT数据集：自创，4亿个文本图像样本对，数据质量高。数据集和GPT2的WebText数据量差不多。
测试集：30+数据集不同视觉任务做zero-shot推理。 ImageNet 128w数据量
数据增强：rand crop

4.2预训练方法
OpenCV AI gpt-gpt3，image gpt，dall-e 都是基于GPT做的，维有CLIP因训练效率原因采用对比学习
采用对比学习，如果给定一张图像，预测文本描述输出caption，逐字预测比较困难，而判断caption和图像是不是一个配对，任务比较简单。
预测型目标函数loss换为对比型目标函数loss，训练效率提高4倍，各个单模态特征通过线性层映射到多模态空间（以往非线性效果好，在这里实验发现效果基本一致，任务以往非线性可能只是为了适配图像单模态学习）

4.3训练策略
image训练：
5个ResNet系列：ResNet50，ResNet101，ResNet变体：RN50x4，RN50x16，RN50x64，
3个vision transformer系列：ViT-B/32，ViT/B-16，ViT-L/14，32,16,14指patches大小
32个epoch，Adam优化器，batch size =3w+，
超参数grid search，random search和手动调整
对比学习temperature超参数，CLIP把temperature设置为可学习的标量，直接在模型训练过程中优化。超参数通过ResNet50训练1个epoch确定。

4.4工程优化
多机器分布式训练，混合精度训练，加速且节省内存
采用节省内存方式：gradient checkpointing，half-precision Adam statistics，half-precision stochastically rounded text encoder weights
相似度计算分配到不同的GPU上做

4.5 zero-shot推理
liner probe：冻结预训练模型，加上一个分类头fc
finetune：放开整个网络，更灵活，数据集较大时，finetune比liner probe效果好很多
linear probing性能上限<finetune task最佳性能
CLIP使用liner probe：
（1）研究与数据集无关的预训练方式，如果使用finetune方法无法验证预训练模型效果好不好
（2）liner probe只训练fc层与特征提取无关，可以验证
（3）只有fc层，无需调参，数据集比较大，一般用较大lr，较小则用小lr（稍一学习就过拟合了）

4.6效果
CLIP ，zero-shot ImageNet与resnet50效果持平
CLIP ViT Large效果堪比ResNet101
CLIP为什么效果好？
以往没有这么大的数据集、那么大的算力，那么大的模型，那么好的自监督训练方式
CLIP使用了4亿数据对， ViT Large模型，是ConVIRT的简化版本

4.7结论
单模态对比学习，如MOCO，单模态掩码学习，如MAE只能学习视觉特征，而无法与自然语言联系咋一起，很难去做zero-shot迁移。CLIP想法简单，实现高效，泛化稳健性不错
打破固定种类标签的范式，模型的输入输出类别自由度大，而不是确定类别label。摆脱了categorical label的限制，训练和推理的时候不需要提前定义好label
模型大小和迁移效果正相关，可以根据模型大小大概推测出迁移效果

5.与人类比较
CLIP zero shot > human zero-shot、one-shot、two-shot
与人对比，怎么再提高CLIP效果

6.CLIP应用
CLIP应用：分类、检测、分割、视频动作识别，检索、多模态、图像生成
6.1 图像生成
2021 StyleCLIP=CLIP+style GAN，通过文字引导图像生成：如改变发型，卸妆，改变颜色，眼睛变大，老虎皮毛变化为狮子，建筑风格改变
2021 CLIPDraw 不进行模型训练，直接gradient descent生成简笔画
6.2 检测
open vocabulary detector，开放类别检测，检测新类 open-vacabulary object detection via vision and knowledge distillation Google
利用自然语言，摆脱了基础类的限制，如，得到黄色color的鸭子duck
6.3 视频检索
contrastive lanauage-image forensic search
CILP视频检索：视频中有没有出现某个目标，如，a truck with the text ‘货拉拉’

7.Limitation
（1）CLIP VS baseline ResNet，不是state of the art
SOTA：EfficientNet noise student或Vision transformer 或MAE
在细分类数据集上效果不好，低于ResNet 50
CLIP扩大1000倍计算量 = SOTA，需提高计算和数据
（2）CLIP无法处理特征抽象的概念
如，数一数图像中的dog有多少只
（3）out of distribution，泛化会很差
如，数据集MINST OCR上效果88%，远低于一般99%。跟普通的深度学习模型一样，都非常的脆弱
（4）需提供prompt分类，无法自动化理解图像内容生成caption描述
还是需要给定类别，判断与图像是否相似
受限于计算资源，图像caption生成的基线网络无法训练
下一步：对比学习loss+生成式loss，二者优势结合，利用对比学习模型高效性和生成式模型的灵活性
（5）数据利用率低，需大量数据
解决方法：1.数据增强 2.自监督学习 3.伪标签，提高数据利用率
（6）ImageNet偏见引入
网络结构和超参数根据ImageNet设计，使其在ImageNet上效果最佳，无形之中引入了偏见。
27个数据集代表性不强，自创新测试集zero-shot更有说服力
（7）网上数据未经清洗，可能带有社会偏见
（8）CLIP zero shot> CLIP few shot
按照常理zero shot< few shot，结果相反，怎么进一步优化符合人类及理论