理解CLIP模型

1.简介

学习深度学习必看CLIP！论文链接arxiv.org/pdf/2103.00020v1.pdf。

简单来说就是传统的分类任务被用来预测指定的类别，有监督训练限制了模型的通用性和可用性，并且需要带有标签的数据来训练，该篇论文就想直接从原始文本中学习图像特征，具体就是从网络上采集大量的带有文字描述的图片，同时向网络输入原始文字和图像，网络来学习他们之间的关系。预测时通过输入一句话就能判断图像是否与其匹配了，具有很强的泛化性能。这就是zero shot，不用数据集中任何一张图片，就能够达到ResNet-50的精度。

2.方法

方法的核心思想是从自然语言的监督中学习感知。这种方法其实一点都不新，之前也有人做过，只不过之前的方法描述的很混淆，并且数据规模不大。那么为什么非要用自然语言监督的方法来训练一个视觉模型呢？第一个就是说你不需要再去标注数据了，直接从网上下载图像和文字的配对就行了，减少了很多的工作量。第二个就是将图片和文字绑定到了一起，模型学习的就是一个多模态的特征了。这样就很容易去做zero-shot的迁移任务了。

该方法不需要之前的那种黄金标签，而是从互联网上的大量文本中学习。与大多数无监督或自监督学习方法相比，从自然语言中学习也有重要的优势，因为它不仅“只是”学习表征，而且还将该表征与语言联系起来，从而实现灵活的零迁移。

2.1构建数据集

构建了一个新的数据集，其中包含4亿对(图像，文本)对，这些数据来自互联网上各种公开可用的资源。

2.2选择有效的预训练方法

一开始作者选用了VirTex的方法，图像用CNN，文本用transformer来进行，CNN用来预测图像对应的文本，但是由于一个图像对应的描述实在是太多了，所以这样预训练的效果很差，于是作者决定用对比学习的方法来进行预训练。

从上图我们可以发现，蓝色的线是类似gpt的方法，基于transformer去做预测性的任务，逐字逐句的去预测文本。橘黄色的线是去预测已经全局化抽象成特征的文本（bag of words prediction）。可以发现训练效率提高了三倍。绿色的线是用对比学习的方法来判断图像和文本是否配对，这样效率是最高的。

上图是CLIP训练的一个伪代码。首先是两个编码器，用来对图像和文本进行编码。图像的编码器可以用ResNet或者ViT，文本的编码器可以用CBOW和Text Transformer。然后对提取的两个特征归一化并求一个余弦相似度，然后做一个交叉熵的损失函数来预训练网络。