论文阅读-CLIP（文本-图片多模态）Learning Transferable Visual Models From Natural Language Supervision

Paper：Learning Transferable Visual Models From Natural Language Supervision

Code：https://github.com/OpenAI/CLIP

引言：利用自然语言的监督信号去训练一个迁移效果很好的视觉模型，文字+图片多模态。

• 其中，标签可以更改，不仅限于imageNet中的一千个类，可以换为任意的单词，图片也可以为任意的图片。

• 彻底摆脱了分类标签这个性质，不论训练还是推理都不需要有提前定义好的类别。

• 不仅能识别新的物体，而是真的把视觉和文字的语义联系到了一起，学到的特征语义性极强，迁移效果也很好。

在ImageNet数据集上训练的ResNet101准确率为76.2，与clip zero-shot迁移之后效果一样，再换到其他数据集以后，之前按照1000类分类头训练的模型效果下降很快，而clip效果稳定。

摘要：

    其他的分类方法用到的数据集类别固定，本身限制了其泛化性，对于新的类别如果收集新的类别从头训练代价巨大且无法泛化。直接从文本了得到监督信号，涵盖范围广泛化性好，本文作者构建了一个极大的数据集，涵盖4亿图片文本对，利用这个数据集预训练一个大模型，并在超过30个数据集上做zero-shot迁移，效果很好，且在ImageNet上与有监督学习训练的ResNet50效果相同。

引言：

• 以前的很多方法效果差的原因主要是与clip相比在数据与模型的规模上有差异。（VirTex，ICMLM、ConVIRT）

• 迁移学习效果基本与模型的大小呈正相关。

方法：

利用自然语言的监督信号去训练一个视觉模型，有以下几个优点：

1. 不用再去标注数据，只需下载文字图片的配对，数据规模很容易变大，且监督信号为文本，模型输入输出自由度更大。

2. 输入时将图片文字绑定，学到的特征不单单为视觉特征，而是多模态特征，更容易去做zero-shot迁移。zero-shot：是指零样本学习，在别的数据集上学习好了，直接迁移做分类。

伪代码

• 在文本方面就是Transformer；在图像方面选择了5种ResNets(ResNet-50,ResNet-101,3个EfficientNet的变体，ResNet-50x4,ResNet-50x16,ResNet-50x64)和三种VIT(分贝是VIT-B/32,VIT-B/16,VIT-L/14)

• 为什么要用 prompt engineering and ensembling？

    由于一个word 具有多义性，图片和文字匹配容易出错，不同语境下词语含义可能不同，所以作者将word放在语境中，来提高匹配度；且用一个单词做prompt的话经常会遇到歧义性。如果提前知道一些信息，就可以给更多的提示，比如前后加形容词，就可以很大程度缩小解空间，加入这个prompt engineering and ensembling准确度上升了1.3%；最后在CLIP中，总共用了80个prompt template之多；

实验：

• 大范围数据集结果：做了27个数据集的分类任务，baseline是ResNet-50，ResNet-50是有监督模型在各个数据集上训练好的， 然后两个模型在其他数据集上zero-shot；在大多数分类任务，给车、食物等做分类的问题上CLIP都表现的很好， 但是在DTD这种纹理进行分类或CLEVRCounts给物体计数的任务，对于CLIP无监督模型来说就很难了。

• 所以作者认为在这些更难的数据集做few-shot可能比zero-shot更好；因为很多任务或领域需要先验知识才行，所以作者做了few-shot与zero-shot的对比few-shot也是将back-blone冻住，训练分类头。

    横坐标是指在每个类别中选出了几个训练样本，纵坐标就是模型的准确率了(在20个数据集上的平均结果，因为有7个数据集中有些训练样本不足16个)；因为别的模型不是多模态的，所以只能从1-shot开始；其中，BiT-M是google中bit transfer的一个模型，专门为迁移学习量身定做的，而zero-shot的CLIP直接与few-shot的BiT-M打成平手；而CLIP可以从zero-shot开始；可以看出当学习样本很少的时候CLIP few-shot的表现还不如zero-shot；

• Representation Learning

    为了证明Pre-Train的成功，CLIP将预训练好的模型在下游任务中做了Linear probe，就是模型主体冻住，只调Linear分类头，因为这样不用太多的调参，也能证明模型的特征学的好不好；其中横坐标是一次前向过程的计算量，纵坐标是分类准确度；可以看出CLIP是在计算量与准确度方面trade-off做的最好的一个模型。

• 模型的泛化性：当数据有distribution shift（分布偏移）的时候，模型的表现如何，这是CLIP最惊艳的结果，可以看出CLIP在数据分布的偏移样本上，远远超过ResNet101，而且结果保持地依旧稳健。

• 与人进行对比：将CLIP与人进行zero-shot，one-shot，two-shot的对比，分类的物体是37种狗和猫的图片；可以看出人在zero-shot与one-shot的差别是很大的，表明人学习的能力是很强的；但是人的one-shot与two-shot区别不大，说明了人在没有先验知识，只是通过样本学习，不一定能学的更好。

局限性和不足：

1. 平均来看，CLIP可以和机械模型（ResNet-50（在ImageNet上训练））持平， 但在大多数数据集上Res50并不是SOTA,它与SOTA方法还是差了十几二十个点，若继续增加数据集和model规模，CLIP性能可以继续提高，但是代价很大。

2. 在细分类数据集上，CLIP效果低于（有监督训练）ResNet-50（baseline网络）；CLIP无法处理抽象概念,如数数任务，或者判断一个监控画面是正常还是异常。

3. 若数据集中的data 已经 out-of-distribution（不具有自然特征）,那么CLIP-model泛化照样差；(在MNIST数据集上，CLIP准确率仅有88%; 因为作者收集的数据集有4亿个样本，但没有和MINIS长得像的，所以MINIS数据集对于CLIP来说就是out-of-distribution数据集)；

4. CLIP不能高效利用数据，训练了epoch = 32，每个epoch过4亿个图片，跑了128亿张图片，如果一秒一张需要405年；数据用量多，作者希望减少数据用量，(三种方案： 数据增强，自监督，伪标签)

5. 用所有数据进行训练，调整很多次模型结构和超参数，才得出好结果，且每次用ImageNet数据集作为指导。所以CLIP并非做出真正的zero-shot工作。(选择偏差)

作者想要：

    把一切都GPT（生成式模型）化，因为CLIP还是根据给定的1000个选项去选择到底是那个类比，作者更像直接一张图片，然后生成对应的标题。但受限于计算资源，作者没法做成 ” 自动生成模型 “ 的网络。(以后的DALL)