问题

多模态如何做融合，本文是对CLIP模型理解做个记录。

前提

目前业界有中文开源版本的，例如Chinese-CLIP以及IDEA/Fengshenbang-LM太乙系列，本文采用Chinese-CLIP来梳理其流程。

数据集采用wukong-dataset，预训练模型使用chinese-clip-vit-base-patch16来进行实验。

流程

1. 文本处理

1
2
3
4
5
6
7
8
9
10
11
12
13
14
import pandas as pd
import torch
from PIL import Image
from datasets import Dataset
from transformers import ChineseCLIPProcessor, ChineseCLIPModel, Trainer, TrainingArguments

model_name_or_path = "chinese-clip-vit-base-patch16"

model = ChineseCLIPModel.from_pretrained(model_name_or_path)
processor = ChineseCLIPProcessor.from_pretrained(model_name_or_path)

text_str = ['中国', '哈哈哈，我在这里']
text_res = processor(text=text_str)
print(text_res)

基于ChineseClip官方说明，知道其text-encoder部分都使用了chinese-roberta-wwm，另外一个可验证点是其vocab.txt的md5值和chinese-roberta-wwm是一样的。所以文本处理，就是找了中文版的bert来做中文的支持，故这部分到此就结束啦～

2. 图像处理

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
import pandas as pd
import torch
from PIL import Image
from datasets import Dataset
from transformers import ChineseCLIPProcessor, ChineseCLIPModel, Trainer, TrainingArguments

model_name_or_path = "chinese-clip-vit-base-patch16"

model = ChineseCLIPModel.from_pretrained(model_name_or_path)
processor = ChineseCLIPProcessor.from_pretrained(model_name_or_path)

image_str = '00010405-0083.jpg'
image_input = Image.open(image_str)
img_res = processor(images=image_input)
print(img_res)

其流程如下所示，包括转RGB、resize、rescale、normalize、然后转CHW通道。

注意resize那里将图片调整为(224, 224)，这里对后面处理有用。

3. 融合

重点来喽～

其整理流程如下所示。

3.1 vision model

其vision_model下获取embedding如下。

其patch_embeds经过conv2d，转成成了torch.Size([10, 768, 14, 14])，接着
201行代码为：

1
patch_embeds = patch_embeds.flatten(2).transpose(1, 2)

14*14=196,最终转换成了(10, 196, 768)，到这里就清晰了～

不过在patch_embeds结束后，引入了一个class_embeds，这个就是类似bert中的[CLS]位置，用以做下游分类的。

在拿到vision embedding之后，后面就是encoder部分啦，这里对应ChineseCLIPVisionEncoder，这部分本文先忽略。

3.2 text model

这部分就是bert处理流程了，作者也写的很明白，就是bert那一套。

3.3 融合

至此拿到vision_outputs和text_outputs，其vision_outputs为：

1
2
last_hidden_state=(10, 197, 768)
pooler_output=(10, 768)

其text_outputs为:

1
last_hidden_state=(10, 64, 768)

好奇：至此768维已经对齐了，为啥还要各自经过一个self.visual_projection和self.text_projection将其转为512维。。。

3.4 计算loss

这里处理跟simcse计算loss流程蛮类似的，不过这里计算loss还是蛮有意思的：

1
2
3
4
5

def chinese_clip_loss(similarity: torch.Tensor) -> torch.Tensor:
    caption_loss = contrastive_loss(similarity)
    image_loss = contrastive_loss(similarity.t())
    return (caption_loss + image_loss) / 2.0

正常来讲，我们只需要计算一次即可，这里分别进行计算，也算是一个有意思的点。

至此，模型整体流程大致完成。能够用来基于文本找图像。

那是否有一种文本跟图像语义对齐的呢？留给以后～