多模态中的Prompt范式：从CLIP、CoOp到CLIP-adapter

©作者 | 吉雅太

单位 | 清华大学

研究方向 | 多模态研究

CLIP

最近 NLP 中第四范式 prompt 比较火，就是不再是生硬地从预训练直接过渡到微调任务，而是用 prompt（提示）的方式，把微调任务做一个转换，接近预训练任务。比如用 MLM 预训练一个语言模型，后续要做一个文本情感分类，不再是提取出全句的表征后做分类，而是在这段文本后面加一个 prompt（提示），比如说 it is __，然后要补全空缺，相当于还是 MLM。看着很麻烦，但在预训练数据充足、微调数据不足情况下，是比较有效的。

多模态作为一个大杂烩的领域，NLP、CV 中的创新都可以用进来，所以多模态的 prompt 文章就也出现了。本文先介绍 clip: Learning Transferable Visual Models From Natural Language Supervision。

论文标题：

Learning Transferable Visual Models From Natural Language Supervision

论文链接：

https://arxiv.org/pdf/2103.00020.pdf

代码链接：

https://github.com/OpenAI/CLIP

作者先指明 motivation，现在的视觉模型只能在预定义好的物体类别范围内进行预测，而在推理时遇到未标注过的数据，泛化性能较弱。而从带有描述的图片进行训练可以让模型有更广泛的监督，从而在下游的小样本学习、零样本学习中获得好的表现。作者提出 CLIP：Contrastive Language-Image Pre-training。通过对比学习用文本监督图片表征，在零样本学习上的表现可以与有监督的模型相媲美。

1.1 具体方法

将语言作为监督信息训练图片的表征，与用于图像分类的众包生成标签相比，扩展自然语言监督要容易得多，可以方便从互联网上的大量文本中学习。从自然语言中学习还有一个重要的优势，因为它不仅学习表征，而且还将表征与语言连接起来，从而实现灵活的零样本迁移。

创建一个有效的大数据集，结合 MSCOCO、VG、YFCC100M，清理，生成大量图片-文本对，并从网上也抓取了大量数据，生成一个数据集 webimagetext。

预训练方法的选择：先使用一种类似 image caption 的预训练任务，如蓝线，学习效率很低，达到同样精度要使用很多图片数据。黄线是基本的训练方法，即预测图片的描述文本的单词。这两种方法试图预测每幅图片所附文字的准确单词，但由于种类繁多，这么做是很困难的。而对比学习能较好地学习表征，以文本整体和图片的配对作为一个目标，进一步提高了效率。

对比学习：一个 batch 有 N 个图片文本对，计算相似度矩阵，对角线上的 N 对为正样本，另外 对为负样本。最大化正样本相似度，最小化负样本相似度，使用一个对称交叉熵损失优化。

▲ 伪代码，值得注意的是在计算交叉熵时传入的是 label 数值，在函数里变成 one-hot 向量

模型选择和训练：图像编码器使用了两种：resnet（用带有注意力的池化得到整张图的全局表征），ViT。文本编码器使用 transformer，在文本编码器中使用了掩蔽自我注意，以保留使用预训练的语言模型进行初始化的能力。

在零样本学习中，以分类任务为例，使用 prompt 的方法，将分类任务转换为图片、文本的匹配问题。即将标签单词和提示语构成候选句子，再把图片编码成特征向量，分别计算相似度，找到可能性最高的类别。

1.2 实验

实验先和其他的零样本学习模型对比，在 Visual N-Grams 相比，CLIP 在三个图片分类数据集上的准确率都有很大提升。

作者用实验证明 prompt 的必要性，一个词经常会具有多义性，而将词带入到特定的上下文提示语中，就可以有更清晰的意义，有助于分类。另一方面可以减小和预训练任务之间的 gap。实验证明使用 prompt 要更有效。

▲ 蓝线是在（微调和）测试时只使用 label 的文本，绿线是使用了 prompt 和 ensemble，prompt 即给 label 加一段提示语，ensemble 指同时用多个不同的上下文 prompt 语句，对于一个 label 生成多个句子 embedding 再集成

▲ 在 27 个分类数据集上零样本学习 clip 与全监督训练的 resnet50 效果对比

实验部分这些是比较好懂的，arxiv上原文光实验部分就有大概二十页，不过 dblp 上有简约版的。

CoOp

模型 CoOp，主要的思想是自动设计提示文本，先保持预训练参数不变，然后利用少量数据去学习合适的 prompt，这样的 prompt 比人工设计的提示文本在测试时更有效。值得注意的是，学习合适的 prompt，只是学到适合这个任务的一组词向量，并不一定是找到了一组真实的词（意思是说学到的词向量可能映射到乱七八糟的词上去，但就是这些词最适合做这个任务的提示语，这和语义空间的连续性有关）。

论文标题：

Learning to Prompt for Vision-Language Models

论文链接：

https://arxiv.org/pdf/2109.01134.pdf

代码链接：

https://github.com/KaiyangZhou/CoOp

作者的 motivation 在于观察到 prompt 的选择对测试结果影响很大。

2.1 主要方法

预训练过程和 CLIP 相同，也是使用对比学习。CLIP 在预训练之后，会直接进行 zero-shot inference（零样本推理），使用 prompt 的方法，把 K 个 label 分别结合到提示语句，然后得到对应的 K 个表征，分别和图像计算相似度。

本文的方法 CoOp（context optimization），可以避免人为地设计提示语，把输入 prompt 设计成如下格式：

其中 是随机初始化的词向量，也是 512 维。注意这里上下文词向量对于不同类别是共享的。在训练阶段，把 t 前向传播，和图像特征计算相似度，计算出对应每一类的概率 ，再用交叉熵优化，学到合适的 （这个上下文提示是 task-relevant）。

prompt 有一些其他的变种，一种是改变 CLASS 的位置，把 [CLASS] 放在句子中间，这样可以学习到更灵活的上下文；另一种是每种 CLASS 学习一组上下文提示语句，即不同类别对应的语句不同，作者发现这样的方法对一些细粒度的分类很有效。

2.2 实验

使用 11 个分类数据集做小样本学习，涉及到的分类有物体、动作、场景等。

▲ 图中的星点是 zero-shot clip，即 clip 直接推理的结果，对于实线，M 是  prompt 长度，end、mid 表示 CLASS 位置，CSC 表示 class-specific 的提示，虚线是 clip 也做了微调，用一个随机初始化的线性层计算相似度（？不知道这里 linear probe 啥意思），横坐标是训练的每类小样本数目

从平均结果看，coop 在小样本学习中效果更好，并且当增加用 16 个样本训练时，准确率可以提高 17 个点。

对于数据分布变化的鲁棒性，如表 1，target 数据集是一些 imagenet 数据集变体，在 source 上做小样本训练，在 target 测试，发现 M 越小鲁棒性、泛化性能越好。表 2 表示 coop 比 clip 里 prompt ensemble 效果还要好。表 3 对比了随机初始化和人为设定 prompt 两种情况直接测试的准确率，表明即便随机初始化一个 prompt，测试效果与人为设定也差不多，当然，如果再使用小样本微调一下随机的 prompt，效果就更好了。

上图，左边是 prompt 长度 M 和 class 位置的消融实验；右边是不同视觉 backbone 的影响。

下表就是把学到的词向量通过欧氏距离找到的词表中最近的词，可以看到可解释性很差，但对于模型来说就是有效。这就是“隐式学习”吧，不知道模型学了个啥。

2.3 总结

虽然效果上看 coop 使用自动生成 prompt 要好过 clip，但一个主要的区别在于 coop 也需要少量的数据学习 prompt，即少样本学习，而 clip 由于直接使用人为设计的提示语句，可以进行零样本学习（不过实验部分也看到 coop 直接用随机的 prompt 也能做零样本学习，就是差点）。

CLIP-adapter

CLIP 和 COOP 分别在今年 3 月份、9 月份挂载 arxiv 上，十月份又挂了一篇：CLIP-adapter。coop 和 CLIP-adapter 都是在 clip 基础上增量式的工作，clip 使用一个人为设定好的 prompt 直接进行零样本推理，而 coop 和 CLIP-adapter 都是使用小样本学习，coop 是初始化一个随机的 prompt，在小样本中学习合适的 prompt，从而更适应这个任务；adapter 是在模型中间插入一个随机的可学习的模块，通过更新这个模块来更适应下游任务。

论文标题：

CLIP-Adapter: Better Vision-Language Models with Feature Adapters

论文链接：

https://arxiv.org/abs/2110.04544

代码链接：

https://github.com/gaopengcuhk/clip-adapter

3.1 模型

最下面就是 adapter 的结构，在小样本学习时，在两个分支上各加入一个可学习的层。小样本训练时，其他部分冻结参数（如果更新整个大模型，由于数据太少很容易过拟合）。并且为了更好地结合微调的知识和原始的知识，又加入一个残差连接结构，见图。

3.2 实验

在 11 个数据集上进行小样本学习，可以看到 clip 零样本推理的结果，clip 小样本微调的结果，coop 小样本学习的结果，adapter 小样本学习的结果。

从左上角平均结果的图可以看出，adpater 小样本学习的效果最好。对于 clip，小样本学习的初始阶段甚至弱于零样本学习，所以人为设定的 prompt 只是我们看上去合理的提示语句，对于模型来说可能并不是一个好的初始化。

特别鸣谢

感谢 TCCI 天桥脑科学研究院对于 PaperWeekly 的支持。TCCI 关注大脑探知、大脑功能和大脑健康。

更多阅读

#投 稿 通 道#

 让你的文字被更多人看到 

如何才能让更多的优质内容以更短路径到达读者群体，缩短读者寻找优质内容的成本呢？答案就是：你不认识的人。

总有一些你不认识的人，知道你想知道的东西。PaperWeekly 或许可以成为一座桥梁，促使不同背景、不同方向的学者和学术灵感相互碰撞，迸发出更多的可能性。 

PaperWeekly 鼓励高校实验室或个人，在我们的平台上分享各类优质内容，可以是最新论文解读，也可以是学术热点剖析、科研心得或竞赛经验讲解等。我们的目的只有一个，让知识真正流动起来。

 稿件基本要求：

• 文章确系个人原创作品，未曾在公开渠道发表，如为其他平台已发表或待发表的文章，请明确标注 

• 稿件建议以 markdown 格式撰写，文中配图以附件形式发送，要求图片清晰，无版权问题

• PaperWeekly 尊重原作者署名权，并将为每篇被采纳的原创首发稿件，提供业内具有竞争力稿酬，具体依据文章阅读量和文章质量阶梯制结算

 投稿通道：

• 投稿邮箱：[email protected] 

• 来稿请备注即时联系方式（微信），以便我们在稿件选用的第一时间联系作者

• 您也可以直接添加小编微信（pwbot02）快速投稿，备注：姓名-投稿

△长按添加PaperWeekly小编

现在，在「知乎」也能找到我们了

进入知乎首页搜索「PaperWeekly」

点击「关注」订阅我们的专栏吧

·