对比语言-图像预训练（CLIP）

简介

CLIP是一种能够通过自然语言监督来理解视觉概念的神经网络。它通过同时训练一个文本编码器和一个图像编码器来运作，专注于一个涉及将字幕与相应图像匹配的预训练任务。这种架构使得CLIP能够无缝适应各种视觉分类基准。它只需接收要识别的视觉类别的名称，就展示出类似于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计算该批次中所有可能的（图像，文本）候选对之间的密集余弦相似度矩阵。其核心思想是最大化正确对（下图中蓝色所示）的相似度，并最小化不正确对（图像中灰色所示）的相似度。为此，他们优化了这些相似度分数上的对称交叉熵损失。

图片来自OpenAI

简单来说，我们希望图像与其对应字幕之间的相似度尽可能高，而图像与其他字幕之间的相似度应该很小。我们将此逻辑也应用于字幕，因此我们希望最大化字幕与其对应图像的相似度，并最小化与其他所有图像之间的相似度。

文本编码器和图像编码器

CLIP的设计特点是图像和文本各自拥有独立的编码器，这使得它们的选择非常灵活。用户可以将标准的图像编码器（如Vision Transformer）替换为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，如果更换其中一个编码器，您将需要重新训练模型，因为您的嵌入分布会发生变化。

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；
• 相似度搜索；
• 扩散模型条件化。

用法

对于实际应用，通常使用图像和预定义类别作为输入。所提供的Python示例演示了如何使用transformers库运行CLIP。在此示例中，我们希望对下图进行零样本分类，判断是狗还是猫。

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：

• “a photo of a cat”（一张猫的照片）：99.49%
• “a photo of a dog”（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，但它不太可能超越专门的、经过微调的模型。此外，它的泛化能力受到一定限制，特别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，CLIP的有效性和偏差受到类别选择的影响，正如在使用Fairface数据集进行的测试中所展示的。在性别和种族分类中发现了显著差异，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的独特之处在于其零样本学习能力，使其能够将图像分类到其未明确训练过的类别中。这种卓越的泛化能力源于其创新的训练方法，即学习将图像与文本字幕进行匹配。

参考文献

• CLIP论文
• Lilian Weng的CLIP