在微调时保存 embeddings 演变过程，并以动画演示

关注

原创最新推荐文章于 2026-08-16 11:19:08 发布 1.3k 阅读 AI 写同款· GEO 优化 ›

jina-embeddings-v4 训练分为两阶段：对比学习训练（基础语义学习）和任务特化训练（任务优化）。推理时用户根据任务需求选择 LoRA 适配器，生成嵌入后计算相似性。架构基于 Qwen2.5-VL，扩展支持多向量输出。是一个多模态嵌入模型，基于。阅读详情

在机器学习领域，视觉变换器（Vision Transformers，ViT）是一种用于图像分类的模型类型。与传统的卷积神经网络不同，ViT使用了最初设计用于自然语言处理任务的变换器架构来处理图像。对这些模型进行微调以获得最佳性能可能是一个复杂的过程。

在先前的一篇文章中，我使用动画来演示在微调过程中embedding发生的变化。这是通过对embedding执行主成分分析（PCA）来实现的。这些embedding是从微调的各个阶段生成的模型和它们对应的检查点中获取的。

embedding在微调 Vision Transformer（ViT）模型 [1] 在 CIFAR10 [3] 上的投影

这个动画获得了超过 200,000 次的点赞。它受到了好评，许多读者表达了对如何创建它的兴趣。本文旨在支持那些读者和任何对创建类似可视化效果感兴趣的人。

在本文中，我旨在提供一个详细的指南，介绍如何创建这样一个动画，详细说明所涉及的步骤：微调、embedding的创建、异常值检测、PCA、Procrustes、回顾以及动画的创建。动画的完整代码也在GitHub上的相关笔记本中提供。

准备工作：微调

首先，我们微调预先训练的 google/vit-base-patch16–224-in21k Vision Transformer（ViT）模型，此处使用 CIFAR-10 数据集，其中包含 60,000 张图像，分为十个不同的类别：飞机、汽车、鸟类、猫、鹿、狗、青蛙、马、船舶和卡车。

您可以按照 HuggingFace 的图像分类与 Transformer 教程中概述的步骤执行微调过程，也适用于 CIFAR-10。此外，我们使用 TrainerCallback 将训练期间的损失值存储到 CSV 文件中，以便稍后在动画中使用。

在这里插入图片描述

为了确保动画有足够的检查点，我们需要通过在TrainingArguments中设置save_strategy="step"和一个较低的save_step值来增加检查点的保存间隔。动画中的每一帧对应一个检查点。在训练过程中，会为每个检查点和CSV文件创建一个文件夹，并准备好供进一步使用。

embedding的创建

我们使用Transformers库中的AutoFeatureExtractor和AutoModel来使用不同的模型检查点从CIFAR-10数据集的测试集生成。每个embedding是一个表示一个模型检查点的10,000个测试图像中的一个的768维向量。这些embedding可以存储在与检查点相同的文件夹中，以保持良好的概览。

提取异常值

我们可以使用Cleanlab库提供的OutOfDistribution类，基于每个检查点的embedding来识别异常值。然后，生成的分数可以识别用于动画的前10个异常值。

在这里插入图片描述

应用PCA和Procrustes分析

使用scikit-learn包进行主成分分析（PCA），我们将embedding在2D空间中可视化，通过将768维向量减少到2维。在每个时间步重新计算PCA时，由于轴翻转或旋转，动画可能会出现较大的跳跃。为了解决这个问题，我们应用了SciPy包中的额外Procrustes分析[3]，将每一帧几何地变换到最后一帧，其中只涉及平移、旋转和均匀缩放。这使得动画中的过渡更加平滑。

在这里插入图片描述

在Spotlight中的复现

在最终完成整个动画之前，我们在Spotlight中进行审查。在这个过程中，我们使用第一个和最后一个检查点进行embedding生成、PCA和异常值检测。我们在Spotlight中加载生成的DataFrame：

CIFAR-10的embedding：通过PCA和短时微调的第一个和最后一个检查点的8个最差异常值

Spotlight在左上方提供了一张详尽的表格，展示了数据集中的所有字段。在右上方，显示了两个PCA表示：一个是使用第一个检查点生成的embedding，另一个是使用最后一个检查点生成的embedding。最后，在底部部分，呈现了所选的图像。

创建动画

对于每个检查点，我们创建一幅图像，并将其存储在其相应的检查点旁边。通过使用make_pca(…)和get_ood(…)函数实现这一目标，这些函数分别生成表示embedding的2D点并提取前8个异常值。2D点以颜色表示其各自的类别。异常值根据其分数排序，并将其对应的图像显示在高分排行榜中。训练损失从CSV文件中加载，并绘制为折线图。最后，所有图像可以使用诸如imageio或类似的库编译成GIF。

从微调过程的前三个检查点生成的三个帧显示出轻微的聚类，预计在后续步骤中将会出现更为明显的聚类