多模态学习笔记

学渣67656

已于 2024-11-22 20:25:29 修改

阅读量1.5k

点赞数 19

文章标签：学习笔记

于 2024-11-22 08:51:07 首次发布

本文链接：https://blog.youkuaiyun.com/ZHY0091/article/details/143658066

版权

多模态学习笔记

模型种类
常见任务
CLIP
ViLT模型
关键名词收录
- - - 1.视觉语言联合表征（Visual-Textual Joint Representation）：

模型种类

Clip ViLT Blip

常见任务

分类任务
retrieval任务：retrieval的含义是检索的意思,该任务指的是从一组数据中检索出与给定查询最相关的信息
常见的数据集：VQAv2 NLVR2 Flickr30k MSCOCO

CLIP

Learning Transferable Visual Models From Natural Language Supervision
CLIP没有开源代码，但是开源了模型，即使开源代码，可能也没有公司能做到OPENAI公司那么大的数据集四亿个图片文字对的数据集。
什么是上游任务和下游任务？
什么是自回归
预训练方式，自回归和完形填空
对比学习是什么
混精度训练

图像和文本的输入分别通过 Image Encoder 和 Text Encoder 得到图像和文本的特征
其中 Image Encoder 可以是 ResNet 或 Vision Transformer，Text Encoder 可以是 CBOW 或 Text Transformer。

通过一个映射层映射层主要就是学习如何从单模态变到多模态，然后再做 L2 归一化，就得到了用来对比学习的特征代码相关重要问题，什么是交叉熵损失

读完感受：或许clip科研用于分类的检测，但对于缺陷的检测，并不是很适用

利用两个东西
1大规模的数据
2与下游任务无关的训练方式 task-agnostic web-scale pre-training
两种工具加持后nlp领域模型的效果特别好

jupyter 更改路径时遇到的问题

找到Jupyter Notebook的启动快捷方式，右键点击属性
将目标中的路径的最后面的%USERPROFILE%删掉，并按确认
键退出。亲测有用。

CLIP读代码

模型代码地址

https://github.com/openai/CLIP
点开后对应着看，先看readme文件

模型伪代码

# image_encoder - ResNet or Vision Transformer
# text_encoder - CBOW or Text Transformer
# I[n, h, w, c] - 输入图片维度
# T[n, l] - 输入文本维度，l表示序列长度

# W_i[d_i, d_e] - learned proj of image to embed
# W_t[d_t, d_e] - learned proj of text to embed
# t - learned temperature parameter

# 1 分别提取图像特征和文本特征
I_f = image_encoder(I) #[n, d_i]
T_f = text_encoder(T) #[n, d_t]

# 2 对两个特征进行线性投射，得到相同维度的特征d_e，并进行l2归一化，保持数据尺度的一致性
# 多模态embedding [n, d_e]
I_e = l2_normalize(np.dot(I_f, W_i), axis=1)
T_e = l2_normalize(np.dot(T_f, W_t), axis=1)

# 3计算缩放的余弦相似度：[n, n]
logits = np.dot(I_e, T_e.T) * np.exp(t)

# 4 symmetric loss function
labels = np.arange(n) #  对角线元素的labels
loss_i = cross_entropy_loss(logits, labels, axis=0) # image loss
loss_t = cross_entropy_loss(logits, labels, axis=1) # text loss
loss = (loss_i + loss_t)/2 # 对称式的目标函数

readme文件里，usage用法第二个框相当于对clip的一个简单测试，单独放在一个test文件里run一下就好了

import torch
import clip
from PIL import Image

device = "cuda" if torch.cuda.is_available() else "cpu"
model, preprocess = clip.load("ViT-B/32", device=device)

image = preprocess(Image.open("CLIP.png")).unsqueeze(0).to(device)
text = clip.tokenize(["a diagram", "a dog", "a cat"]).to(device)

with torch.no_grad():
    image_features = model.encode_image(image)
    text_features = model.encode_text(text)
    
    logits_per_image, logits_per_text = model(image, text)
    probs = logits_per_image.softmax(dim=-1).cpu().numpy()

print("Label probs:", probs)  # prints: [[0.9927937  0.00421068 0.00299572]]

零样本代码示例

下面的代码使用 CLIP 执行零样本预测，如论文的附录 B 所示。此示例从 CIFAR-100 数据集中获取图像，并预测数据集中 100 个文本标签中最可能的标签。

import os  # 导入os模块，用于文件和目录操作
import clip  # 导入CLIP库，用于多模态学习
import torch  # 导入PyTorch库，用于深度学习
from torchvision.datasets import CIFAR100  # 从torchvision库中导入CIFAR100数据集类

# 加载CLIP模型和预处理函数，指定设备为GPU或CPU
device = "cuda" if torch.cuda.is_available() else "cpu"
model, preprocess = clip.load('ViT-B/32', device)

# 下载CIFAR-100数据集的测试集，并将其存储在用户的缓存目录中
cifar100 = CIFAR100(root=os.path.expanduser("~/.cache"), download=True, train=False)

# 从CIFAR-100数据集中获取一个图像及其对应的类别ID
image, class_id = cifar100[3637]

# 对图像进行预处理，增加一个批次维度，并将其发送到GPU或CPU
image_input = preprocess(image).unsqueeze(0).to(device)

# 对CIFAR-100数据集中的所有类别名称进行分词处理，并将它们连接成一个张量，然后发送到GPU或CPU
text_inputs = torch.cat([clip.tokenize(f"a photo of a {c}") for c in cifar100.classes]).to(device)

# 对应伪代码中步骤1  使用torch.no_grad()上下文管理器，避免在推理过程中计算梯度
with torch.no_grad():
    # 使用CLIP模型的图像编码器将预处理后的图像编码成特征向量
    image_features = model.encode_image(image_input)
    # 使用CLIP模型的文本编码器将分词后的文本编码成特征向量
    text_features = model.encode_text(text_inputs)

# 对应伪代码步骤2 对图像特征和文本特征进行归一化处理
image_features /= image_features.norm(dim=-1, keepdim=True)
text_features /= text_features.norm(dim=-1, keepdim=True)

# 步骤3 计算图像特征和文本特征之间的相似度，并应用softmax函数将相似度转换为概率
similarity = (100.0 * image_features @ text_features.T).softmax(dim=-1)

# 从相似度概率中找出最高的五个值及其对应的索引
values, indices = similarity[0].topk(5)

# 打印标题
print("\nTop predictions:\n")

# 遍历相似度最高的五个值及其索引，并打印每个类别名称和对应的相似度百分比
for value, index in zip(values, indices):
    print(f"{cifar100.classes[index]:>16s}: {100 * value.item():.2f}%")

上段代码中数据集下载到了哪里？
os.path.expanduser(“~/.cache”) 这个函数调用会扩展为当前用户的主目录下的 .cache 文件夹。具体来说：

~ 符号代表当前用户的主目录，这在大多数操作系统中都是通用的。
.cache 是主目录下的一个子目录，用于存放应用程序的缓存文件。
所以，当你使用 os.path.expanduser(“~/.cache”) 作为 CIFAR100 数据集的 root 参数时，意味着你想要将 CIFAR-100 数据集的测试集下载并存储在你的主目录下的 .cache 文件夹中。

想要查看具体的路径，可以在Python中打印出来：

python
import os
cache_dir = os.path.expanduser("~/.cache")
print("Cache directory is:", cache_dir)

这将在你的控制台或终端中显示 .cache 文件夹的完整路径。

image_input = preprocess(image).unsqueeze(0).to(device) 是一个图像预处理的常见操作

preprocess(image): 这个函数 preprocess 通常是一个自定义的函数，用于对图像进行预处理。预处理可能包括多种操作，如调整图像大小、归一化像素值、转换颜色空间等，以确保图像数据适合神经网络的输入要求。
.unsqueeze(0): 这个方法是PyTorch中的一个操作，用于在指定的维度上增加一个大小为1的维度。在图像数据的上下文中，unsqueeze(0) 通常用于增加一个批次维度（batch dimension）。
在PyTorch中，图像数据通常以 [channel, height, width] 的格式存储，其中 channel 是颜色通道数。增加一个批次维度后，数据的形状变为 [batch_size, channel, height, width]。即使只有一张图像，也会增加这个维度，使得数据的形状从 [channel, height, width] 变为 [1, channel, height, width]。
.to(device): 这个操作用于将数据移动到指定的硬件通常是gpu或cpu

对单个图像进行预处理，增加一个批次维度，然后将处理后的图像数据移动到指定的计算设备上。这是将图像数据准备为神经网络输入的典型步骤。

ViLT模型

训练时间和训练需求和clip比小了很多
模型基于pytorch lighting写的和pytorch还有所不同
论文硬件需求64个32g的V100Gpu训练三天左右

关键名词收录

1.视觉语言联合表征（Visual-Textual Joint Representation）：

是一种技术：将视觉信息（如图像、视频）和语言信息（如文本、语音）嵌入到一个共享的表示空间中，以便让模型能够同时理解和处理这两种模态的数据。
目的：将图像和文本之间的语义关系对齐，从而实现跨模态的理解和任务处理。

2.visual embedder，textual embedder，和 modality interaction

三个模型后面简称VE ,TE和MI

VE ：用于将视觉模态（如图像或视频）的输入数据转换为一个高维的嵌入向量（Embedding
Vector）。这个嵌入向量是图像或视频的特征表示，用于捕捉视觉内容的语义信息。通常使用深度学习模型（如卷积神经网络 CNN或视觉 Transformer, ViT）来提取视觉特征
TE:是一种模型或模块，用于将语言模态（如文本或句子）的输入数据转化为一个高维的嵌入向量。这个嵌入向量表示文本的语义信息。使用自然语言处理模型（如Transformer、BERT 或 GPT）来提取文本特征。
MI 视觉模态（如图像）和语言模态（如文本）之间的特征交互或融合。通过这种交互，模型可以理解两种模态之间的语义关系，比如图像和文本的对齐关系。

fine-tuning：微调

性能指标

R@1 (Recall at 1): 在模型预测的前1个结果中，如果正确的结果（或最相关的结果）包含在内，则认为模型达到了召回。R@1 指标衡量的是模型在最顶端预测中就能准确找到正确结果的能力。
R@5 (Recall at 5): 类似于 R@1，但这里考虑的是模型预测的前5个结果。如果正确的结果在这5个结果中，那么认为模型达到了召回。
R@10 (Recall at 10): 这个指标扩展到模型预测的前10个结果。如果正确的结果在这些结果中，那么认为模型达到了召回。

五级标题

六级标题

欢迎使用Markdown编辑器

你好！这是你第一次使用 Markdown编辑器 所展示的欢迎页。如果你想学习如何使用Markdown编辑器, 可以仔细阅读这篇文章，了解一下Markdown的基本语法知识。

新的改变

我们对Markdown编辑器进行了一些功能拓展与语法支持，除了标准的Markdown编辑器功能，我们增加了如下几点新功能，帮助你用它写博客：

全新的界面设计 ，将会带来全新的写作体验；
在创作中心设置你喜爱的代码高亮样式，Markdown 将代码片显示选择的高亮样式 进行展示；
增加了 图片拖拽 功能，你可以将本地的图片直接拖拽到编辑区域直接展示；
全新的 KaTeX数学公式 语法；
增加了支持甘特图的mermaid语法¹ 功能；
增加了 多屏幕编辑 Markdown文章功能；
增加了 焦点写作模式、预览模式、简洁写作模式、左右区域同步滚轮设置 等功能，功能按钮位于编辑区域与预览区域中间；
增加了 检查列表 功能。

功能快捷键

撤销：Ctrl/Command + Z
重做：Ctrl/Command + Y
加粗：Ctrl/Command + B
斜体：Ctrl/Command + I
标题：Ctrl/Command + Shift + H
无序列表：Ctrl/Command + Shift + U
有序列表：Ctrl/Command + Shift + O
检查列表：Ctrl/Command + Shift + C
插入代码：Ctrl/Command + Shift + K
插入链接：Ctrl/Command + Shift + L
插入图片：Ctrl/Command + Shift + G
查找：Ctrl/Command + F
替换：Ctrl/Command + G

合理的创建标题，有助于目录的生成

直接输入1次#，并按下space后，将生成1级标题。
输入2次#，并按下space后，将生成2级标题。
以此类推，我们支持6级标题。有助于使用TOC语法后生成一个完美的目录。

如何改变文本的样式

强调文本

加粗文本 加粗文本

标记文本

~~删除文本~~

引用文本

H₂O is是液体。

2¹⁰ 运算结果是 1024.

插入链接与图片

链接: link.

图片: Alt

带尺寸的图片:

居中的图片: Alt

居中并且带尺寸的图片:

当然，我们为了让用户更加便捷，我们增加了图片拖拽功能。

如何插入一段漂亮的代码片

去博客设置页面，选择一款你喜欢的代码片高亮样式，下面展示同样高亮的 代码片.

// An highlighted block
var foo = 'bar';

生成一个适合你的列表

项目
- 项目
  - 项目

项目1
项目2
项目3

计划任务
完成任务

创建一个表格

一个简单的表格是这么创建的：

项目	Value
电脑	$1600
手机	$12
导管	$1

设定内容居中、居左、居右

使用:---------:居中
使用:----------居左
使用----------:居右

第一列	第二列	第三列
第一列文本居中	第二列文本居右	第三列文本居左

SmartyPants

SmartyPants将ASCII标点字符转换为“智能”印刷标点HTML实体。例如：

TYPE	ASCII	HTML
Single backticks	`'Isn't this fun?'`	‘Isn’t this fun?’
Quotes	`"Isn't this fun?"`	“Isn’t this fun?”
Dashes	`-- is en-dash, --- is em-dash`	– is en-dash, — is em-dash