对比语言-图像预训练 (CLIP)

介绍

CLIP 是一种擅长通过自然语言监督来理解视觉概念的神经网络。它的运作方式是同时训练文本编码器和图像编码器，专注于一个预训练任务，该任务涉及将标题与相应的图像匹配。这种架构使 CLIP 能够无缝地适应各种视觉分类基准。它通过简单地接收要识别的视觉类别的名称来实现这一点，展示了类似于在 GPT-2 和 GPT-3 模型中观察到的“零样本”学习能力。

对比预训练

给定一批图像-文本对，CLIP 计算此批次内所有可能的（图像，文本）候选对之间的密集余弦相似度矩阵。核心思想是最大化正确对（在下图中以蓝色显示）之间的相似性，并最小化不正确对（在图像中以灰色显示）的相似性。为此，他们针对这些相似度分数优化对称交叉熵损失。

图片来自 OpenAI

简单来说，我们希望使图像与其对应标题之间的相似度尽可能高，同时使图像与其他标题之间的相似度尽可能小。 我们也将此逻辑应用于标题，因此我们希望最大化标题与其对应图像的相似度，并最小化与其他所有图像的相似度。

文本编码器和图像编码器

CLIP 的设计特点是图像和文本的独立编码器，从而允许在选择上具有灵活性。用户可以将标准图像编码器（如 Vision Transformer）切换为 ResNet 等替代方案，或者选择不同的文本编码器，从而增强适应性和实验性。 当然，如果您切换其中一个编码器，则需要再次训练模型，因为您的嵌入分布将有所不同。

用例

CLIP 可用于各种应用。以下是一些值得注意的用例

• 零样本图像分类；
• 相似性搜索；
• 扩散模型调节。

用法

对于实际应用，通常使用图像和预定义的类别作为输入。 提供的 Python 示例演示了如何使用 transformers 库来运行 CLIP。 在此示例中，我们想要对下面的图像在 `dog` 或 `cat` 之间进行零样本分类。

from PIL import Image
import requests

from transformers import CLIPProcessor, CLIPModel

model = CLIPModel.from_pretrained("openai/clip-vit-base-patch32")
processor = CLIPProcessor.from_pretrained("openai/clip-vit-base-patch32")

url = "http://images.cocodataset.org/val2017/000000039769.jpg"
image = Image.open(requests.get(url, stream=True).raw)

inputs = processor(
    text=["a photo of a cat", "a photo of a dog"],
    images=image,
    return_tensors="pt",
    padding=True,
)

outputs = model(**inputs)
logits_per_image = outputs.logits_per_image
probs = logits_per_image.softmax(dim=1)

执行此代码后，我们得到以下概率

• “一张猫的照片”：99.49%
• “一张狗的照片”：0.51%

局限性

尽管 CLIP 在零样本分类方面表现出色，但它不太可能胜过专门的、微调的模型。 此外，它的泛化能力在某种程度上受到限制，尤其是在涉及训练期间未遇到的数据或示例的场景中。 该论文还表明，正如使用 Fairface 数据集进行的测试所证明的那样，CLIP 的有效性和偏差受到类别选择的影响。 在性别和种族分类中发现了显着差异，性别准确率超过 96%，种族准确率约为 93%。

结论

总而言之，OpenAI 的 CLIP 模型彻底改变了多模态领域。 CLIP 的独特之处在于其在零样本学习方面的精通，使其能够将图像分类为它未明确训练的类别。 这种卓越的泛化能力源于其创新的训练方法，即它学习将图像与文本标题匹配。

参考文献

• CLIP 论文
• Lilian Weng 的 CLIP