51-13 多模态论文串讲—BEiT v3 论文精读

BEiT-3的核心思想是将图像建模为一种语言，这样我们就可以对图像、文本以及图像-文本对进行统一的mask modeling。Multi-way transformer模型可以有效地完成不同的视觉和视觉语言任务，使其成为通用建模的一个有效选择。

同时，本文也对多模态大模型作了一个简单的总结。

接下来，我们来看BEiT-3论文，题目是Image as a Foreign Language: BEiT Pretraining for All Vision and Vision-Language Tasks。BEiT-3的这个目标，非常明确，他就是想做一个更大一统框架，不论是从模型上要统一，而且从训练的目标函数上要统一。还有就是模型大小，数据集大小，怎么scale也要统一。作者管这个叫做big convergence。那如果简单用一句话来概括？BEiT-3就是把图像也看成了是一种语言，他们题目的意思说image as foreign language。他们在文章中，把这个image叫做Imglish，文本叫做English，把这个图像文本叫做parallel sentence。这个时候，因为不论是图像还是文本，我都可以用mask modeling去做。不需要ITC、ITM、MLM loss或者Word patch alignment各种loss。那模型层面，他就用的是他们之前VLMo提出的那个MoME。在这篇论文里，作者又重新起了个名字，管他们之前提出的那个框架叫做multi-way transformers，可能是受Google pathway的影响吧。总之到最后，这就是一个非常简单，而且非常容易扩展的一个框架。模型就是multi-way transformer一个，目标函数也就一个mask modeling。但是效果，出奇的好。

我们往下看，BEIT-3采取了CoCa这种多边形图的形式去展现它有到底有多强。

那我们可以看到在这个图里面，作者还新加了蓝色的这个flamingo，然后他们的BEiT-3，就是这个紫色的这条线，完完全全把之前所有的方法，全都包进去了。而且在每个任务上的提升，也都不小。而且最重要的是，BEiT-3这种灵活的结构，就是一个模型，但是它在推理的时候，可以拆成各种各样的部分去做下游任务，就导致它可以做Unimodel的这个图像问题。比如说classification，segmentation，detection，他通都可以做。然后，就是他本来要做的，这种各种各样的多模态的任务，当然language的任务他也是可以做的。只不过这里，之前的工作也没有比，所以他这里也就不用比。那因为BEiT-3的这个效果，也确实是非常强，所以作者在这个图一之后，紧跟着又跟了一个表一，放在了第二页。去具体展示了一下，BEiT-3到底做了任务，然后之前的这个SOTA到底是哪些方法，然后上面具体提升了多少。

我们这里可以看到，比如说在ADE20K上，BEiT-3就达到62.8，其实到现在为止应该还都是一、二吧，我看paper with code上最高是62.9。然后object detection，在CoCo上也已经刷到了，惊人的是63.7，当然现在好像已经65点几了，大家刷coco的这个积极性还是非常高，目标检测是真卷不动。然后在ImageNet上，BEiT-3达到89.6。你是可能会想，Coca不都已经90多了吗？当时作者在这里打了个记号。说这个性能，SOTA的这个性能，是没有用额外的private data训练，但是，CoCa用了JFT300m，这个Google自己有的数据集，所以别人没法复现。

然后如果看多模态这边，我们也可以发现，像NLVR2这个数据集上，这个BEiT-3比之前的CoCa高了5.6个点，这个提升是非常恐怖的，而且别的几个多模态任务，这个BEiT-3表现也都非常。所以说别看BEiT-3就是一个模型结构，只用了一个目标函数，而且它的数据，也没有用很多，微软真的是很亲民。他这篇文章专门还强调了，他使用的这个预训练数据集，全都是public data set，都是你可以下到的，您是可以去得到差不多一样的数据集，然后去复现它的模型的。

所以这个从侧面说明了两个问题，第一个，就是说不是目标函数越多越好，不是说你给他加更多的regularization，它这个模型就一定会训练的更好，还是得看loss之间，有没有互相弥补的特性。而且还有就是你这个当模型变大，数据变大的时候，你还需不需要其他的这个loss函数，那比如说CLIP，也就用了这个对比学习就训练的很好了。那BEiT-3，就用mask model也就训练很好了。所以真的是越简单的方法，它skill越好，而且越能应用。第二个，就是说数据也不一定是越多越好，那CoCa，就用了10倍于训练CLIP的数据量，可能几十倍于BEiT-3用的这个数据量，但BEiT-3的这个性能，还反超了Coa，所以更多时候，这个数据的质量是非常关键。

BEiT-3，其实从方法上来说，它就是之前，BEiT，BEiT v2，VLBEiT，VLMo，他们一系列的工作的一个集合体。本身，它其实没有提出什么新的东西，都是在之前的工作里，都已经提到过了，这篇就是把它做大做强。 展示了一下，到底一个unified framework，达到一个什么样的性能。

那BEiT-3的这个引言部分，真的是写的非常非常好，如果有同学对多模态学习感兴趣，或者接下来想做多模态的研究，那我建议一定要把这个第一段读一下。

作者上来就给这个引言部分起了个标题，叫做the big convergence，就是大一统。

文章说，最近我们观察到，不论是在这个language，还是在vision，还是在这个多模态领域，我们都观测到这个big convergence。就是说我们在超级多的这个数据集上，去做大规模的预训练，一旦这个模型训练好之后，它的这个特征，就已经非常好了，可以直接transfer到这个下游任务上去。那尤其是当你这个模型足够大，数据足够多的时候，你有可能就能训练出来一个有通用性能的一个foundation model。这个foundation model，可能就已经能去解决，各种各样的这个模态，或者各种各样的下游任务了，非常的强大。那foundation model这个概念，其实也就是去年还是前年提出的，基本上22年做大模型的，都喜欢把他们的模型叫做foundation model，所以一瞬间，出来了很多很多的foundation model。那作者说，在这篇工作里，他们就是想把这个大一统，继续往前再推一步，就是彻底把这个多模态，尤其是vision language的这个预训练做得很好，而且主要是从以下的这三个方面来讲这个大一统。

那第一个方面，就是说从这个模型角度来说，这个transformer真的是非常关键。之前我们讲transformer，还有vision transformer的时候，我就说过，我非常喜欢transformer这个结构，原因，不是因为这个结构它有多强，因为最近你看在这个视觉这边的这个CNN和transformer，还在争到底是谁性能更好，或者说谁更适合做这个视觉任务，但这个，其实已经无所谓了。因为未来，肯定是多模态的，未来肯定是一个模型，去做所有的modality，这样去做所有的task，肯定是一个大一统的框架。那在这个大一统的框架下，CNN就不太适合做其他的modality，但是transformer，又适合做很多的modality，所以就从这一点上讲，Transformer已经胜出了。所以作者接下来说，这个transformer刚开始是从NLP那边用的，然后，逐渐用到了这个vision和这个多模态领域。现在，对于这个vision language model，对于多模学习来说，有几个常用的这个方式，比如说，CLIP就是Dual encoder这种的方式，他就非常适合做这种快速的retrieval。还有，就是这种encoder-decoder的框架去做这种generation task，我们刚讲这个BLIP、CoCA这都属于这类。还有，就是这种fusion-encoder architecture，就是只用encoder，有多模态融合部分，ALBEF、VLMo那都属于这一类，他们就能做很好的这个image text encoding。作者说，不论是哪一个方向，这些模型，在遇到这个下游任务的时候，因为这个输入的形式，可能有时候会改变，或者输出的形式，有时候会改变，所以这个模型，就需要根据下游任务去做一些改进，它不是真正意义上的就是训练好一个模型之后，你拿去用就可以了，而是说你训练好这个模型之后，你遇到各种各样的任务，你还得去修改。那这个就还不够方便，而且，离他们说的这种general purpose model，就还有一段距离，所以作者这篇文章里就说，我们想提出BEiT-3，用multi-way transformer，去进一步的往这个方向去push。

接下来，对于这个大一统方向的第二个点，就是这个预训练的目标函数。作者说，其实到目前为止，这个mask data modeling，就已经成功的被应到各个这个modality里了，比如说最开始的完形填空这个BERT，然后Image这边，他们就是自己的这个BEit，还有这个image text pair这边就是他们自己的VLBEiT。总之，就用这种掩码学习，就已经能够很好的去学习图像，文本，或者多模态的这种特征了。那作者这里就想，那我能不能真的就用这一个目标函数，就把这个模型训练的非常好？因为，如果你用更多的这个目标函数，你这个训练速度，肯定会变慢，也就是他这里说的，如果你用其他的这个pretraining objective，比如说ITM的话，你这个当数据和模型变大的时候，计算就不高效了，你就很难去在短时间内训练出来一个大模型。另外也有优化和调参的问题在里面，如果你只有一个loss，那你这个loss weight，就没啥可调的了，但是如果你现在有三四个loss，那这loss和loss之间的weight该怎么调？你是不是得跑好几个大模型去对比一下该选用什么loss weight？那同时，有的loss之间可能互补，有的loss之间可能互斥。比如说之前我们说想让那个ITM工作的更好，我们还得用ITC去帮助他选择Hard negative，然后才能去做ITM，这就无形中增加了很多的复杂度，和很多这种调参度就太人工了，他就不好skill up。所以作者说，在这篇文章中，我们就用了一个这个pretraining task，就是mask then predict。然后我们就把这个图像看成是一个foreign language叫Imglish。因为反正图像过完这个vision transformer embedding以后，它就变成了一个sequence of token，那这样他们就能把这个文本和图像，用同样的方式去处理，本质上就没有任何区别。而且如果这样子去处理，对于这个多模态的这个图像文本来说，也就可以把它看成是一个parallel sentence，就是句子一，后面跟了个句子二，就没有什么不同了，一切，都变成NLP了。当然这也从侧面说明，mask data modeling这个目标函数，真的是非常的强。

最后作者，又讨论一下第三个方面，就是如何把这个模型，还有数据集的这个大小，全都scaling up，因为只有scaling up，用了更多的数据，有一个capacity很大的模型，他才有可能用一个模型去解决所有的事情。所以在BEiT-3里，作者说也把这个模型的size扩展到了B级，而且也把数据集也扩展的非常大，但即使如此，作者团队还是坚持，就使用这种public available的这个data resource。所以学术界，就比较容易去这个复现，非常的难能可贵。

如果我们接下来看BEIT的这个方法本身，也就看这个图。

就会发现，真的很简单，而且它就是VLMo，所以没什么好讲的。那对于模型本身而言，它就是用了这个multi-way transformer，就是之前的这个MoME。它前面的这个自注意力，全都是shared，只有后面这个feed forward network是不一样的。根据不同的modality，我们练不同的expert，这是vision，这是language，这是vision language。然后通过调整，不同的这个input modality，然后去选择这个模型，到底该走哪一支，最后来得到模型的这个输出。至于训练的时候的这个目标函数，就是这个mask data modeling，它有可能是遮住了图像，有可能是遮住了文本，总之就是完形填空，你去这个恢复它就可以了。所以说，非常直接，而且就像VLMo里讲的一样，它也很灵活。

我们现在如果直接去看这个图三

也就是说当一训练完了之后，我们要去做这个下游任务的transfer的时候，作者这里说BEiT-3也非常的强大。如果你只用这边的这个vision encoder，就可以去做所有这个图像这边的任务，包括分类、分割和检测。那如果你只用language这边的encoder，你就可以去做那边的各种任务，反正是用MLM训练出来的，所以BERT能做，BEiT-3都能做。那接下来，就是看多模态了，如果你有vision和language，最后有vision language这种fusion encoder形式，你就比较容易去做这种vison language understanding task，这种VQA，VR这种任务。那如果你想像CLIP一样，去做比较高效的这种image text retrieval，你就可以把这两个vision和language分开做，变成双塔结构。那如果fine tune的话，你还可以再用ITC去fine tune一下就好了。最后，就是如果你做生成，你做captioning这种任务，如像我们讲过BLIP和CoCa，就是文本这边mask，然后你用image grounded这个text encoder去预测这个mask掉的词到底什么，然后可以做image captioning。所以说，BEiT-3，就跟一个积木一样，也就跟一个乐高一样，他每一个训练好的那个transformer block，或者每一个训练好的那个SA或者这个FFN，你都可以随意的去拼和组合，从而达到你想要的各种结果。

那最后，我们可以快速的对多模态大模型做一下总结。

我们可以从最中间的这个vision transform ViT开始说。多模态学习之前，都是OSCAR或者UNITER的这些工作，但他们的缺陷，都是因为里面用了一个object detection的模型，去做这个视觉特征的抽取，这个就太慢，而且太贵了。所以说在vision transformer出来之后，这个ViLT的作者就想到说，我可以把这个vision这边，就用一个vision transformer去代替，就一个embedding层就足够了，这样大大的简化了这个模型结构，所以，结合ViT和这个OSCAR，推出了这个ViLT。

ViLT是ICML 21的工作，Clip也是ICML 21的工作。经过一番这个总结，经验和对比，ALBEF的作者就发现了，说Clip比较高效，适合做这种image text retrieval，原始的这些方法，因为这个Modality fusion做的很好，多模态任务非常强，而这个ViLT这个结构比较简单，所以说最后，综合3家的长处，就推出了ALBEF这么一个fusion encoder的模式，从而取得了不错的结果。

因为ALBEF也release了代码，而且结果不错，模型也比较简单，所以在它之上，又延伸出来了很多工作。那比如说之前，这个SimVLM，就是用encoder，decoder去做多模态的。然后作者在的ALBEF、SimVLM基础上推出了这个CoCa。用contrast和caption两个loss就训练出了一个强大的模型。

那同时，另外一个分支，就是有了这个ViLT，而且有了这个ALBEF之后，微软的研究者，就推出了这个VLMo，就用这个共享参数的方式推出一个统一的做多模态的框架。

然后，基于这种参数共享的思想，基于这种可以用很多很多，这个text branch，作者又推出了这个BLIP模型，能做非常好的这个Capfilter的功能，而且它的capfilter模型，也非常的好用，能够像一个普适的工具一样，用到各种各样的情形中去。

我们再回到这个vision transformer。那vision transformer在他的文章中，也做了mask data modeling的方式，去做self supplied learning，但是当时的效果，不是很好。但是大家，整个community，都觉得mask data modeling是一个非常promising的这个方向，所以大家，就顺着BERT的这个思想，这个微软的研究者就提出了BEiT。当时的口号，就是这是计算机视觉界的BERT Moment。

然后在BEiT的基础上，很快又推出了BEiT v2，但是这个，主要是做这个视觉task，并不是做多模态的。然后，因为BEiT可以在视觉上做mask model，然后BERT，可以在文本上做mask model，作者就想那视觉和文本是不是可以合在一起？所以说，又推出了这个vision language BEiT，即VL-BEiT。

最后，在他们一系列的这个实验，经验的这个积累之下，作者最后把BEiT v2，VLMO和VL-BEiT等3个工作合起来，推出了多模态的BEiT-3，大幅超过了之前的这个CoCa,BLIP在单模态和多模态上的各种表现。

再回到ViT，那对于mask data modeling来说，你也可以mask and predict不同的东西。譬如BEiT就是去predict那个patch。另外耳熟能详的工作MAE，mask auto encoder，就是去mask predict pixel。当然不论是恢复patch还是恢复pixel，其实vision transformer那篇paper，原来它都已经做了，但是效果都不是很好，然后BEiT和MAE，都把这个效果推高到很高的一个高度。然后MAE，它有一个非常好的一个特性，就是说他在视觉那端，他把大量的这个patch，全都给mask之后，他只把那些没有mask的那些patch，扔给了这个vision transform 去学习，这样就大大减少了这个计算量。

那这个东西，当然不是视觉里独有的了，所以就引出了最近新出的另外一篇比较有名的工作，也有很多同学说能不能讲一下这篇FLIP，Facebook新出的论文，就是fast language image prediction。

但其实，他的想法真的是非常非常的直接，就是把MAE的这个有用的这个特性，用到Clip的这个结构里，它的模型就是Clip，没有任何的改变，只不过是在视觉这端，它跟MAE一样，都是只用那些没有mask的token，把那些mask的就删掉了，这样无形之中，就把sequence length降低了很多，所以这个训练就快了，也就是他说的这个fast language image prediction。

当然Flip这篇论文，做了超级多的实验，最后也做了model和data，还有这个训练Schedule上各种这个scaling的实验。所以大家如果有时间，也可以去读一下，但是从方法本身上来说，它就是在Clip的基础上用MAE的思想。

最后，想说的一点，就是多模态学习的进展，实在是太快了，除了我们这两期讲到的这么多多模态的工作之外，最近还有很多非常非常引人入胜的工作。

比如说有一个系列，就是用language去做interface。他的意思就是说，即使你像BLip，VLMO，BEiT-3，这种模型它可以像积木一样，你想做什么任务，你就去拼出来你想要的模型，然后你再去fine tune得到你想要的结果。这个还是不够统一，它不是真正意义上的unified framework，它只是更灵活的把很多模型给拼到一起了，那真正unified，真正大一统的框架到底应该长什么样？当然有很多思路了，其中一个，如说微软的metaLM，还有Google的这个PaLI。他们称模型就是一个encoder decoder，然后有图像的输入，有文本的输入，但是至于这个模型，不论是在预训练的时候，还是在下游任务的时候做什么，完全是由文本那边的prompt决定。它的输出，永远都是文字，就不论你是什么任务，它的输出都是文字，它是一个text generation task。然后这个时候，如果你做VQA，那你的文本，就说我现在在做VQA，这是我的问题，然后你，就生成一个答案给我。那如果你现在是在做图像分类，那你就把图像给他，然后文本那边，你就告诉他prompt说我现在在做分类，然后这时候，他就会把这个图像的这个label，直接给你生成出来，它不是0123456这种label了，它直接就生成，这是狗还是猫，就是这种带有语义的词了，所以就是text generation。它通过调整各种各样的prompt，也就是这里说的这个language interface，就只需要调整的language，那这个模型，就知道你在做什么任务，然后就会给出相应的这个文本的输出，然后来告诉你答案。那在这个意义下？这个模型真的是很少被改动，所以算得上是一个unified framework。

另外，还有一系列工作，最近也是非常的火热，叫做generalist model，翻译过来，可能就叫通才模型，或者通用模型。它也是一个意思，就是说不论是在训练的时候，还是在做下游任务的时候，我都想用一个模型，直接训练好之后做就完了，我不想在根据这个下游任务再去调整我的模型结构，或者再给它加一个task  specific head，比如说分类头，检测头，分割头这种。那最近也有一些工作，比如说这个unified-IO，还有Uni-Perceiver v2。虽然说这一系列工作，暂时看起来，它的性能还没有那么的炸裂，那么的好，但是我觉得，在现在这个卷的速度之下，可能也就是今年的NeurIPS，就会出来一系列这种generalist model，不仅模型简单，而且效果，应该也能够超过之前的那种task specific模型。

https://arxiv.org/pdf/2208.10442.pdf

多模态论文串讲·下【论文精读·49】_哔哩哔哩_bilibili