文章目录
前言
目前，大模型十分活跃，openai公司呈现GPT系列，特别是Chat-GPT给人深刻印象，意识到大模型厉害之处，随后推出GPT4模型，更是将大模型进一步推到一个高度，并将多模态融合技术留下深刻印象，同时，学者也对多模态融合技术研究呈现百花齐放之势。然而，多模态模型大多以CLIP所提方法或思路实现多模态融合。为此，本文将重新回顾CLIP论文相关理论，也重点梳理其源码，并附其代码供读者参考(本文会涉及VIT与BERT代码解读)。
提示：代码环境安装、重点部分代码解释(如：image encode(VIT),text encode(BERT)等)
论文地址：点击这里
官网源代码：点击这里
我的代码：点击这里 名称为：CLIP模型.zip 提取码：r63z
一、CLIP模型原理
1.背景介绍
CLIP算是在跨模态训练无监督中的开创性工作，作者提到早在2017年之后就陆续有工作提出和本文类似的想法，但数据量太少，而无好结果。本文收集4亿数据的大数据集，才得到很好的效果。这种现象最近好像在机器学习领域越来越突出。本文采用对比方式，图像使用vit结构编码、文本使用bert编码，实现视觉与语言多模态融合。
2.对比训练方式
本文并非像图像caption方式，而是通过对比学习实现模型训练，我想也是这种对比学习才被目前多模态融合方法所借鉴。其采用对比学习原因如下：
- OpenAI是不愁计算资源的公司，喜欢将一切都gpt化(就是做生成式模型)；
- 以往工作在1000类ImageNet数据训练方法，非常耗费资源，而CLIP要做的是开发世界的视觉识别任务，所以训练的效率对于自监督的模型至关重要；
- 如果任务改为给定一张图片去预测一个文本(或者给定一个文本去预测一张图片)，那么训练效率将会非常低下(因为一个图片可能对应很多种说法，一个文本也对应着很多种场景)；
- 与其做默写古诗词，不如做选择题！(只要判断哪一个文本与图片配对即可)；
- 通过从预测任务改为只预测某个单词到只选出配对的答案，模型的训练效率一下提升了4倍；
为此，本文训练阶段使用对比学习，让模型学习文本-图像对的匹配关系，也就是下面模型原理图中，蓝色对角线为匹配的图文对。训练集用的他们自己采集的包含4亿个图文对的 WIT数据集。
3.prompt推理方式
使用某种固定prompt结构，正如训练获得特征，通过图像与prompt特征相似度匹配，实现clip分类，如：图像猫、狗二分类，可分别输入 “ A photo of cat ” 和 “ A photo of dog ”，分别与图像特征算相似度，确定其图像类被。
4.图像与文本编码结构
CLIP为多模态模型是指图像维度与文本维度融合，那么需要对图像特征化与文本特征化，本文选择图像编码结构为VIT，文本编码结构为BERT。后面，代码讲解，我将有大量笔墨说明。
5.特征CLS token结构
对于图像数据而言，其数据格式为[H, W, C]，分别代表的是图片的通道数Channel，图片的高Height和宽Width。但很明显的是三维数据并不是Transformer所需要的。所以需要通过使用一个Embedding层来对原始的图片数据进行变换。
vit划分patch原理
vit论文做法为将给定的一堆图片按照给定的大小分成一堆Patches。本文将输入的图片尺寸为(224×224)按照16×16大小的Patch进行划分。其中（224×224）/（16×16）=196，因此我们会得到196个patches。到这里我们可以知道每一个Patches数据的shape为[16, 16, 3]。为了满足Transformer的需求，在这里，对每个Patch进行投影变化，映射到一维向量中。即完成如下转化。[16, 16, 3]->[768]，那么这样一来，就将原始的[224, 224, 3]转化为[196, 768]。
cls token原理
在输入Transformer Encoder之前，值得注意的是需要加上[class] token。在原论文中，作者的意思是参考BERT，在上述得到的一堆tokens中插入一个专门用于分类操作的[class] token，这个[class] token是一个
可训练的参数
，数据格式和其他token保持一致，均为一个向量。
以本文为例，其维度大小为[1, 768]。注意的是，这里采取的是Concat操作。即cat cls token [1, 768]与图像pathch [196, 768] -> [197, 768]，此时正好变成了二维矩阵。最终将图像patch变成维度是[197, 768]，而本文是将cls token放在第一位，后面分类也是通过cls token给出，如下图。
注：cls token是一个可学习参数。
二、CLIP环境安装
本小节介绍如何使用官网代码安装环境，而不同电脑或cuda版本不一样，所安装也有所不同，但基本不影响，我的电脑相关属性：
gpu：RTX 3060显卡
CUDA:11.1
1.官方环境安装
官网代码安装如下命令：
$ conda install --yes -c pytorch pytorch=1.7.1 torchvision cudatoolkit=11.0
$ pip install ftfy regex tqdm
$ pip install git+https://github.com/openai/CLIP.git
2.CLIP环境安装
构建虚拟环境：
conda create -n clip python=3.8
安装torch相关包：
pip install torch==1.8.0+cu111 torchvision==0.9.0+cu111 torchaudio==0.8.0-f https://download.pytorch.org/whl/torch_stable.html -i https://pypi.mirrors.ustc.edu.cn/simple/
安装相关依赖包：
pip install ftfy regex tqdm -i https://pypi.mirrors.ustc.edu.cn/simple/
运行源码setup.py，其一为install运行，该操作是一个包安装虚拟环境，其二为develop运行，该操作是开发安装，指向了源代码而不是安装它的位置，方便调试，其命令如下：
# 方法一安装命令
python setup.py install
# 方法二安装命令
python setup.py develop # 我采用该命令
注：建议使用方法二指向源码
3.CLIP运行结果
以上安装即可运行检测命令，可测试安装成功，其结果如下：
三.CLIP的Transformer结构代码解读
无论是文本text或图像image的编码encode均大量使用Transformer结构(以VIT与BERT编码)，其实质是Q K V结构，可参考文章点击这里，为此我将单独使用一小节介绍。
改代码在源码model.py文件中，其调用类如下代码：
class Transformer(nn.Module):
def __init__(self, width:int, layers:int, heads:int, attn_mask: torch.Tensor = None):super().__init__()
self.width = width
self.layers = layers
self.resblocks = nn.Sequential(*[ResidualAttentionBlock(width, heads, attn_mask)for _ in range(layers)])
def forward(self, x: torch.Tensor):return self.resblocks(x)
以上代码可知，该类为一个包装结构，重点是重复调用ResidualAttentionBlock结构，其结构如下代码：
class ResidualAttentionBlock(nn.Module):
def __init__(self, d_model:int, n_head:int, attn_mask: torch.Tensor = None):super().__init__()
self.attn = nn.MultiheadAttention(d_model, n_head) # n_head 头，d_model 表示维度。
self.ln_1 =LayerNorm(d_model)
self.mlp = nn.Sequential(OrderedDict([("c_fc", nn.Linear(d_model, d_model *4)),("gelu",QuickGELU()),("c_proj", nn.Linear(d_model *4, d_model))]))
self.ln_2 =LayerNorm(d_model)
self.attn_mask = attn_mask
def attention(self, x: torch.Tensor):
self.attn_mask = self.attn_mask.to(dtype=x.dtype, device=x.device)if self.attn_mask is not None else None
return self.attn(x, x, x, need_weights=False, attn_mask=self.attn_mask)[0] # 三个x表示Q K V计算值，x最后维度=n_head*d_model
def forward(self, x: torch.Tensor):
x = x + self.attention(self.ln_1(x))
x = x + self.mlp(self.ln_2(x))return x
从上面forward代码结构可知。
首先使用 x = x + self.attention(self.ln_1(x))，类似残差方式x+transform后的结果，该结构类似进行了attention方法，等同于transform结构的attention，该结构也被torch所集成，可直接调用其源码，如下：
self.attn = nn.MultiheadAttention(d_model, n_head) # n_head 头，d_model 表示维度。
其次又调用 x = x + self.mlp(self.ln_2(x))，类似FFN结构，进行nn.Linear常规线性操作，在来一个激活GELU结构，最后在来一次线性操作，符合mlp结构，具体如下：
self.mlp = nn.Sequential(OrderedDict([("c_fc", nn.Linear(d_model, d_model *4)),("gelu",QuickGELU()),("c_proj", nn.Linear(d_model *4, d_model))]))
其中GELU使用QuickGELU方法，其代码如下：
class QuickGELU(nn.Module):
def forward(self, x: torch.Tensor):return x * torch.sigmoid(1.702* x)
注：该部分结构类似transformer结构，并n次使用于image与text的编码。
四、CLIP模型主函数代码解读
CLIP模型主函数也在源码model.py文件中，如下图所示：
其中forward为模型流走向，其代码如下：
def forward(self, image, text):
image_features = self.encode_image(image)
text_features = self.encode_text(text)#normalizedfeatures,# 每一行sqr(a1^2+a2^2+...)
image_features = image_features / image_features.norm(dim=1, keepdim=True) # [batch_img,512]
text_features = text_features / text_features.norm(dim=1, keepdim=True) # [batch_text,512]#cosinesimilarity as logits
logit_scale = self.logit_scale.exp() # 可学习参数
logits_per_image = logit_scale * image_features @ text_features.t() # 特征相乘获得相似度
logits_per_text = logits_per_image.t() # 变成文本
#shape=[global_batch_size, global_batch_size]return logits_per_image, logits_per_text
以上可知，CLIP实现多模态融合，实际是对图像编码与文本编码，使其分别获得对应的特征表达，在将表达特征进行norm(我的理解减小偏差，是一个常规操作)，随后将图像特征与对应文本特相差，便可获得相似值。
假设以2个图像与3个文本表示，其图像特征获得对应文本特征得到相似值，简易说明如下：
将其转职获得文本特征获得对应图像特征相似值，简易说明如下：
其中，每个图像与文本特征表达维度为512（CLIP使用此维度），获得对应相似值如上图V**，每一行的最大值分别是CLIP模型认为最相似的，也得到图像获得文本标签，或文本获得匹配的图像。
五、CLIP的image encode代码解读
图像编码使用VIT编码结构，将图片划分为多个patch，然后使用transformer结构编码提取特征，最终获得特征表达。接下来，我将详细阐述。
1、主函数代码解读
CLIP使用encode_image函数调用，如下：
image_features = self.encode_image(image)
而encode_image函数如下：
def encode_image(self, image):return self.visual(image.type(self.dtype))
CLIP使用图像编码有ResNet结构与VisionTransformer,前者是CNN方式，后者是transformer方式，我将以transformer方式解读，如下代码：
ifisinstance(vision_layers,(tuple, list)):
vision_heads = vision_width *32// 64
self.visual =ModifiedResNet(
layers=vision_layers,
output_dim=embed_dim,
heads=vision_heads,
input_resolution=image_resolution,
width=vision_width
)else:
vision_heads = vision_width // 64
self.visual =VisionTransformer(
input_resolution=image_resolution,
patch_size=vision_patch_size,
width=vision_width,
layers=vision_layers,
heads=vision_heads,
output_dim=embed_dim
)
2、VisionTransformer结构代码解读
该类是图像encode的所有精华所在，代码已有我的注释，其代码如下：
class VisionTransformer(nn.Module):
def __init__(self, input_resolution:int, patch_size:int, width:int, layers:int, heads:int, output_dim:int):super().__init__()
self.input_resolution = input_resolution
self.output_dim = output_dim
self.conv1 = nn.Conv2d(in_channels=3, out_channels=width, kernel_size=patch_size, stride=patch_size, bias=False)#width相当于transform中的d_model
scale = width **-0.5
self.class_embedding = nn.Parameter(scale * torch.randn(width))
self.positional_embedding = nn.Parameter(scale * torch.randn((input_resolution // patch_size) ** 2 + 1, width))
self.ln_pre =LayerNorm(width)
self.transformer =Transformer(width, layers, heads)
self.ln_post =LayerNorm(width)
self.proj = nn.Parameter(scale * torch.randn(width, output_dim))
def forward(self, x: torch.Tensor):#x=[1,3,224,224]
x = self.conv1(x) # shape =[*, width, grid, grid] # 将图片分成[32,32]个patch [1,768,7,7]
x = x.reshape(x.shape[0], x.shape[1],-1) # shape =[*, width, grid **2],合并高宽 [1,768,49]
x = x.permute(0,2,1) # shape =[*, grid **2, width] ，更换位置 [1,49,768]
x = torch.cat([self.class_embedding.to(x.dtype)+ torch.zeros(x.shape[0],1, x.shape[-1], dtype=x.dtype, device=x.device), x], dim=1) # shape =[*, grid **2+1, width],添加cls token[1,50,768]
x = x + self.positional_embedding.to(x.dtype) # 这里位置编码是可学习的参数，可能是切了path顺序让模型自己学习吧 [1,50,768]
x = self.ln_pre(x) # [1,50,768]
x = x.permute(1,0,2) # NLD -> LND # [pixel,b,d_model]=[50,1,768]
x = self.transformer(x) # 多头transformer [50,1,768]
x = x.permute(1,0,2) # LND -> NLD # [1,50,768]
x = self.ln_post(x[:,0,:]) # x[:,0,:] 将所有信息汇聚到cls token中，只需前面来做下游任务 [1,768]if self.proj is not None: # self.proj是可学习参数，维度为[768,512]
x = x @ self.proj # 通过学习参数将维度再次融合变成512特征，最终为[1,512]return x
以上可知，图片首先切成patch块，然后转成transformer能使用的结构，该结构可参考这里，同时，代码也有位置编码模块与特征结合，随后将所有信息汇聚到cls token，可实现下游任务，最后也通过可学习参数实现最终图像特征提取。我将在下面具体解读。
3、图像patch方法代码解读
将图像划分patch实际是VIT最重要思想，意在解决训练和推理速度问题，代码层面处理，实际为卷积核与步长来处理，代码如下：
self.conv1 = nn.Conv2d(in_channels=3, out_channels=width, kernel_size=patch_size, stride=patch_size, bias=False)
以上代码简单一句，即可将如[1,3,224,224]的一个图片分成3232尺寸(vit使用1616，这个根据模型而定，仅是一个参数而已)化成768个patch，高宽分别为7，格式为[1,768,7,7]：
#x=[1,3,224,224]
x = self.conv1(x) # shape =[*, width, grid, grid] # 将图片分成[32,32]个patch [1,768,7,7]
结果如图：
768来源：VIT模型将输入224224尺寸化成1616像素的patch，那么每个patch为16163=768，其中3为图像通道，将每个patch投影为768维度表示，也就是本文中self.conv1通道为768的缘故。
196与49区别：196也是来源VIT将224变成16尺寸的patch，那么共有224224/(1616)=196，而本文的patch尺寸为32，变成224224/(3232)=49。
最终图像使用reshape将宽高7*7合并转为49的像素，成为[1,49,768]，可理解1为batch在NLP中表示一句话，49为像素在NLP中表示文字，768为每个patch投影表达在NLP中表示d_model为每个文字使用d_model表达特征。其代码如下：
x = x.reshape(x.shape[0], x.shape[1],-1) # shape =[*, width, grid **2],合并高宽 [1,768,49]
x = x.permute(0,2,1) # shape =[*, grid **2, width] ，更换位置 [1,49,768]
3、图像cls token编码代码解读
cls token为VIT较为特殊设置，是一个可学习参数，我已在上面原理中介绍，不在细说，只解读实现方式，实现代码如下：
scale = width **-0.5
self.class_embedding = nn.Parameter(scale * torch.randn(width))
将cls token嵌入，原来[1,49,768]变为[1,50,768]，其代码中如下：
x = torch.cat([self.class_embedding.to(x.dtype)+ torch.zeros(x.shape[0],1, x.shape[-1], dtype=x.dtype, device=x.device), x], dim=1) # shape =[*, grid **2+1, width],添加cls token[1,50,768]
若在VIT模型cls token嵌入，将[1,196,768]变成[1,197,768]。
4、图像位置编码代码解读
位置编码也是一个可学习参数，实现代码如下：
self.positional_embedding = nn.Parameter(scale * torch.randn((input_resolution // patch_size) ** 2 + 1, width))
将位置编码嵌入，实际是x加上了位置信息，和我之前attention is all you need文章解释类似，该结构代码如下：
x = x + self.positional_embedding.to(x.dtype) # 这里位置编码是可学习的参数，可能是切了path顺序让模型自己学习吧 [1,50,768]
5、图像cls token特征表达代码解读
最终每张图像特征表达直接使用cls token来代替，直接取前第一个，如下图显示：
6、图像特殊结构代码解读
proj特殊结构，该结构若使用将进一步将图像特征表达进行变换，该变换的self.proj是可学习参数，代码如下：
self.proj = nn.Parameter(scale * torch.randn(width, output_dim))
将该结构嵌入，我理解可进一步特征混合整合或组合获得图像特征表达，该结构代码如下：
if self.proj is not None: # self.proj是可学习参数，维度为[768,512]
x = x @ self.proj # 通过学习参数将维度再次融合变成512特征，最终为[1,512]
代码运行图像显示如下：
我个人觉得该结构可被借鉴。
六、CLIP的text encode代码解读
文本编码使用BERT编码结构，显然使用transformer结构编码提取文本特征，最终获得特征表达。接下来，我将详细阐述。
1、主函数代码解读
CLIP使用encode_text函数调用，如下：
text_features = self.encode_text(text)
而encode_text函数如下：
def encode_text(self, text):#x每个句子前面有值，有2个特殊符号[CLS]与[Seq]
x = self.token_embedding(text).type(self.dtype) # [batch_size, n_ctx, d_model]，[3,77,512]
x = x + self.positional_embedding.type(self.dtype) # 位置编码直接赋可学习位置，添加位置信息[3,77,512]
x = x.permute(1,0,2) # NLD -> LND,[77,3,512]
x = self.transformer(x) # 共11个 和图像encode结构一致 [77,3,512]
x = x.permute(1,0,2) # LND -> NLD，[3,77,512]
x = self.ln_final(x).type(self.dtype)#x.shape =[batch_size, n_ctx, transformer.width]#takefeatures from the eot embedding(eot_token is the highest number in each sequence)#text.argmax(dim=-1) 句子最后有一个seq字段，是最大的，因此能获得句子个数数量
x = x[torch.arange(x.shape[0]), text.argmax(dim=-1)] @ self.text_projection
return x
2、文本token代码解读
文本编码和我之前文章点击这里解释transform的encode基本相同，读者可查看。很多与我之前文章相同内容将不在解释，该小节说明如何使用文本token。首先文本为
text_language = ["a diagram", "a dog", "a black cat"]
，也就是三句话，每句话大概几个词，其转码为下图计算机可识别符号方法，查阅我的博客点击这里。其代码如下：
x = self.token_embedding(text).type(self.dtype) # [batch_size, n_ctx, d_model]，[3,77,512]
其结果如下图：
以上可知，文本变成[3,77]结构，如输入text第一行文本为"a diagram"，理论映射只有2个，但有四个数字，其中第一个为[CLS]值，最后一个为[Seq]值，本文设置每个句子长度为77，不足使用0表示，最终变成[3,77]表示为3个句子有77个文字(不足用0表示)。最终使用512维度表达，成为[3,77,512]结构，该部分与我之前文章内容一致，详情可参考之前文章。
3、文本位置编码代码解读
位置编码也是一个可学习参数，实现代码如下：
self.positional_embedding = nn.Parameter(torch.empty(self.context_length, transformer_width))
将位置编码嵌入，实际是x加上了位置信息，和我之前attention is all you need文章解释类似，该结构代码如下：
x = x + self.positional_embedding.type(self.dtype) # 位置编码直接赋可学习位置，添加位置信息[3,77,512]
4、文本特殊结构代码解读
self.text_projection特殊结构，该结构若使用将进一步将文本特征表达进行变换，该变换的self.text_projection是可学习参数，代码如下：
self.text_projection = nn.Parameter(torch.empty(transformer_width, embed_dim))
将该结构嵌入，与图像变啊特殊结构类似，该结构代码如下：
#text.argmax(dim=-1) 句子最后有一个seq字段，是最大的，因此能获得句子个数数量
x = x[torch.arange(x.shape[0]), text.argmax(dim=-1)] @ self.text_projection
注：x[torch.arange(x.shape[0]), text.argmax(dim=-1)]改代码表达取x为[3,77,512]维度索引分别[0,3],[1,3],[2,4]，得到三个句子512维度特征表达，而每个句子都是取第二个维度77文字最大那一个，我的理解是每句话都是从第一个文字[CLS]叠加到最后一个文字[Seq]，因此使用最后一个就有时序表达该句话的特征。
代码运行图像显示如下：
至于文本encode过程可参考代码走向，因其过于简单，我不在说明。
七、CLIP多模态融合代码解读
在上面小节中我们已然知晓图像编码与文本编码方式，该小节说明获得图像、文本特征表达融合方式，其代码如下：
def forward(self, image, text):
image_features = self.encode_image(image)
text_features = self.encode_text(text)#normalizedfeatures,# 每一行sqr(a1^2+a2^2+...)
image_features = image_features / image_features.norm(dim=1, keepdim=True) # [batch_img,512]
text_features = text_features / text_features.norm(dim=1, keepdim=True) # [batch_text,512]#cosinesimilarity as logits
logit_scale = self.logit_scale.exp() # 可学习参数
logits_per_image = logit_scale * image_features @ text_features.t() # 特征相乘获得相似度
logits_per_text = logits_per_image.t() # 变成文本
#shape=[global_batch_size, global_batch_size]return logits_per_image, logits_per_text
从代码可知，图像特征与文本特征进行norm(其作用在上面已说明)，然后求解其相似度获得图像与文本匹配结果。其过程也较为简单，可直接参考以上源码，其图示如下：
图像特征为[1,512]表示一个图像被512维度表达；
文本特征[3,512]表示3个句子分别被512维度表达；
八、CLIP推理结构解读
推理代码官网也有提供，直接官网下载权重便可实现，我使用VIT-B-32模型结构，实现推理分类任务。该模型使用对比学习，可定义很多文本，让每个图像与多个文本特征相似匹配，匹配值越高，自然就是那个类。如同，我在上面
CLIP模型主函数代码解读
说明一样。其代码如下：
import torch
import clip
from PIL import Image
import numpy as np
def class_demo():
# 测试分类的demo
device ="cuda"if torch.cuda.is_available()else"cpu"
# 模型选择['RN50','RN101','RN50x4','RN50x16','ViT-B/32','ViT-B/16']，对应不同权重
model, preprocess = clip.load("../ViT-B-32.pt", device=device) # 载入模型
image =preprocess(Image.open("../CLIP.png")).unsqueeze(0).to(device)
text_language =["a diagram","a dog","a black cat"]
text = clip.tokenize(text_language).to(device)
with torch.no_grad():
logits_per_image, logits_per_text =model(image, text) # 第一个值是图像，第二个是第一个的转置
probs = logits_per_image.softmax(dim=-1).cpu().numpy()
idx = np.argmax(probs, axis=1)for i in range(image.shape[0]):
id = idx[i]print('image {}\tlabel\t{}:\t{}'.format(i, text_language[id],probs[i,id]))print('image {}:\t{}'.format(i,[v for v in zip(text_language,probs[i])]))if __name__ =='__main__':class_demo()
其结果如下：
九、CLIP训练结构解读
分类的CLIP训练实际是交叉熵方法，我们获得匹配值，可看成每个图像分别与不同文本相似值为预测类别值，进行类似交叉熵运算即可，另外反过来也可看成每个文本与分别与不同图像相似值为预测值，亦可进行交叉熵运算。我大概查了github其它训练方法，可供参考，其代码如下：
with torch.no_grad():for i, batch in enumerate(dataloader):
images, texts = batch
images = images.to(device=device, non_blocking=True)
texts = texts.to(device=device, non_blocking=True)
with autocast():
image_features, text_features, logit_scale =model(images, texts)#featuresare accumulated in CPU tensors, otherwise GPU memory exhausted quickly#however, system RAM is easily exceeded and compute time becomes problematic
all_image_features.append(image_features.cpu())
all_text_features.append(text_features.cpu())
logit_scale = logit_scale.mean()
logits_per_image = logit_scale * image_features @ text_features.t()
logits_per_text = logits_per_image.t()
batch_size = images.shape[0]
labels = torch.arange(batch_size, device=device).long()
total_loss =(
F.cross_entropy(logits_per_image, labels)+
F.cross_entropy(logits_per_text, labels))/2
博客可参考：点击这里
总结
CLIP为多模态融合奠定了基准，也是通过对比训练可实现无监督大模型预训练。个人觉得还是比较重要。
版权归原作者 tangjunjun-owen 所有， 如有侵权，请联系我们删除。