【多模态】从零学习多模态——2024学习笔记总结

前言

  2024快结束啦，半年抽空学了学多模态还挺好玩的，学习和踩坑记录记一下，方便大家少走弯路~
学习记录的完整PPT在这里

1. preliminary

  最基础的ML入门可以看李航的《统计学习方法》，看完学完前8章，纸笔再算一算例题，敲一敲代码实现基础的模型，不使用sklearn实现感知机、线性回归、逻辑回归、决策树、SVM、MLP。

2. Transformer和NLP基础

1. 首先原理和代码阅读，推荐“基于transformers的自然语言处理(NLP)入门”，链接为这个，【看不懂的地方可以追问通义千问，通义千问很会！】

2. 在了解了基本原理之后，实践部分可以参考下面：

• 手把手带你实战Transformers， b站地址为这个
• 手把手带你实战Transformers，代码地址为这个：
• 同时可以看huggingface的官方NLP的tutorial熟悉各种NLP流程，地址为这个

3. 在了解了基本的使用流程之后，可以到阿里的天池比赛平台上找数据测一下找找感觉：

• gpu可以在各种云平台上租赁(1r/h不到)，或者用colab的V100-16GB(每周3小时)，跑通流程够用
• 天池提供了很多学习赛，也有其他人提供的baseline，比如医疗诊疗对话意图识别挑战赛、中文NLP地址要素解析、医学搜索Query相关性判断
• 借助比赛数据集可以熟悉文本分类、实体识别等任务的流程，以及transformer和bert的使用

3. 多模态模型原理和架构学习

  学习现有多模态模型原理架构等，可以先搜论文作者在会议的报告ppt、汇报视频等，经典架构很多大学课堂ppt都挺好，可以在必应里面用英文搜索"xxxx ppt"或者"xxxx slide"，然后再浏览一遍论文，最后过源代码，代码里面不明白的很多地方都可以一遍遍问通义千问。

• ViT，学习笔记见：【多模态】ViT模型技术学习
• CLIP，学习笔记见：【多模态】CLIP模型技术学习
• BLIP，学习笔记见：【多模态】BLIP模型技术学习
• BLIP2，学习笔记见：【多模态】BLIP-2模型技术学习
• Flagmingo，学习笔记见：【多模态】Flamingo模型技术学习
• MiniCPM-V-2.6 学习笔记见：【多模态】ViT模型技术学习
• InternVL2（和minicpm-v架构类似）
• qwen2-vl（没有用q-former，直接mlp连接和压缩）

4. 动手实验多模态模型

第一步尝试

• 玩一下cogvlm、cogvlm2、qwen2-vl和minicpm-v的demo，当时minicpm-v-2.5还是最强的
• 感觉minicpm-v的文档和各种支持是最好的，群里面群友们和阿丹老师也超级热心，先上手的minicpm-v-2.6，超流畅，流程可以见cpm的官方飞书文档
• minicpm-v的使用和踩坑记录——【多模态】MiniCPM-V多模态大模型使用学习(官方教程和支持非常好基本上没踩坑，官方b站也有相关的视频教程特别好可以看一下)，官方群和文档在git上有

Swift框架使用

• 使用swift的2号版本swift2可以很方便的训练、量化、RLHF、推理加速等，swift2的文档也写得比较好，群里面大家也是很热心基本上没踩坑，使用记录——【多模态】swift框架使用qwen2-vl
• 在12月，swift进行了大更新，只有swift3支持internvl2.5，3号版本swift3和swift2很多不兼容，但是swift3对batch inference、vllm的支持更好，以及swift3数据加载升级了速度确实快很多，但是目前是很多不兼容&文档不太好所以踩了很多坑，踩坑记录——【多模态】多模态模型使用实践——swift3框架使用
• Swift的不同版本官方文档和群在ms-swift的git上有——ms-swift官网，如果找不到进官方群问

数据验证

• 正好天池有多模态的比赛，可以用这个数据验证： https://tianchi.aliyun.com/competition/entrance/532277
• 天池上也有其它长期比赛的数据一直开放

5. 总结

  不明白的地方多问问会比较节省时间，一开始minicpm-v-int4的qlora微调一直报错卡了很久，群里问丹老师一句话的事情就解决了👍
  不明白的地方多问问会比较节省时间，卡了老半天swift3训练和推理就是不收敛，原来是swift3不像2中有默认的学习率和warm和梯度累积等参数，swift3也不支持对swift2训的模型的推理，也是群里面问飞鱼老师一句话的事情👍