Skip to content

Latest commit

 

History

History
153 lines (91 loc) · 8.11 KB

readme.md

File metadata and controls

153 lines (91 loc) · 8.11 KB

🔊🔥：这个项目已经作废，移步到隔壁文件夹📁：https://github.com/yuanzhoulvpi2017/zero_nlp/tree/main/chinese_clip_ddp

介绍

  1. 本文将介绍，如何从0到1的训练一个中文clip模型。
  2. 在处理数据的过程中，训练的过程中，需要的注意事项。
  3. 从数据流的角度，看看clip模型是怎么处理数据的，模型是怎么构建的。image和text的模型的差异性，两个模型是怎么合并起来计算loss的。

clip模型介绍

CLIP的英文全称是Contrastive Language-Image Pre-training，即一种基于对比文本-图像对的预训练方法或者模型。 CLIP是一种基于对比学习的多模态模型，与CV中的一些对比学习方法如moco和simclr不同的是， CLIP的训练数据是文本-图像对：一张图像和它对应的文本描述，这里希望通过对比学习， 模型能够学习到文本-图像对的匹配关系。 如下图所示，CLIP包括两个模型：

  1. Text Encoder和Image Encoder，其中Text Encoder用来提取文本的特征，可以采用NLP中常用的text transformer模型；
  2. Image Encoder用来提取图像的特征，可以采用常用CNN模型或者vision transformer。 model

上面这段文字来源于https://zhuanlan.zhihu.com/p/493489688

大白话

  1. 从数据上看：之前相似度计算，都是两个文本对：text - text。只不过现在都是text - image了。
  2. clip是两个模型（具体长什么样子，后面再说）
  • 2.1 text-model：负责把text转换成向量。
  • 2.2 image-model：负责把image转换成向量。
  • 2.3 然后把上面两个向量，做交叉计算loss，然后loss反向传播，这样两个模型的参数都会更新。
  1. 其实你想啊，这个image-model处理图像的，其实也可以改为处理视频、处理3d模型等。那简直是格局打开🫴了。我现在没有数据，后面也打算做一个。
  2. 你再想想，text-image => text-image-video-3d这样联合起来，是不是更好。没数据，没机器，做不了。
  3. 有些人可能感觉，你这人，就知道TMD吹牛，来来来，我带你研究研究clip模型的源码。

transfromers包的clip源码

计算机这行业就是这样，你文字写的天花乱坠，都不如直接去看看源码。因为看源码，可以帮你了解，这些数学算法到底是怎么实现的。

【待完善】

工程方面

数据

  1. 数据来源于公众号YeungNLP，关注他，并且回复005 即可获得。当然也可以直接点击链接https://pan.baidu.com/s/1wGmXUNP021OWnW7Kik7q1A?pwd=gd3c 来获得。
  2. 把下载好的文件，也就是test-2.6w.csv、train-137w.csv放在文件夹📁bigdata/raw_data里面。
  3. 以此运行processdta_01.ipynb、processdta_02.ipynb、processdta_02.ipynb用来处理数据。
  • 3.1 processdta_01.ipynb：用来下载数据，大概下载了10多个小时。
  • 3.2 processdta_02.ipynb：用来筛选数据，不是所有的图片数据都是可以用的，这一步非常坑。需要留意。如果图片没有筛选好，在你训练到中间的时候，突然一下因为图片无法加载导致错误，从而训练中断了。
  • 3.3 processdta_03.ipynb：用来把数据干净的数据处理好，合并好，生成新的，漂亮的训练数据。
  1. 其实完整下来看，数据清洗，就是把符合格式的照片筛选出来，然后进行训练。

数据总结

说到底，你的数据只要整理成这样的一个样式即可

text image_path
河南一村民继承祖上的一金碗,专家鉴定:此碗是溥仪皇帝用过的 bigdata/image_data/test-9282.jpg
著名钢琴家郎朗:我永远不会放弃演奏 bigdata/image_data/test-2644.jpg
科幻动作电影《超体》10月24日来袭 bigdata/image_data/test-13199.jpg
  1. text：这一列对应图片的标注，或者和图片相关的文本。
  2. image_path：这一列对应图片所在你电脑本地上的路径。
  3. 是的，搞了半天，数据就是这么简单。

数据预处理

这里的数据预处理，是我随便起的名字。说白了，就是这么会是：

  1. 使用tokenizer把text转换成input_ids和attention_mask.
  2. 使用processor把image转换成pixel_values.

⚠️注意事项

  1. 处理text，那还是很快的。百万级别的数据，可能2～3分钟就行了。
  2. 因为image太大了，只能在训练的时候，每一batch，才能去加载image ，这就导致训练的时候特别慢。倒不是因为我的3090算力不行，全都TMD卡在计算机IO上了，非常让人难受。

模型部分

终于讲解到clip的模型部分了。这个clip模型实在是太灵活了，你可以做很多个版本，这里我们挑几个比较常见的结构，来分享一下。

常见的clip模型

这里值得是常见的clip模型，特指的是transformers包的clip模型。

  1. clip主要就是分为两个部分，一个是CLIPTextTransformer,一个是CLIPVisionTransformer，说白了就是一个处理text，一个处理image。
  2. CLIPTextTransformer和CLIPVisionTransformer的核心，都共用了一个模型结构CLIPEncoder 。也就是CLIP编码部分。（这里说的共用，值得是模型框架相同，而不是模型训练的时候，参数也相同。）

Q：有些人就问了，text和image两个生成的数据都不一样，比如text转换成input_ids和attention_mask；image 转换成pixel_values；他们怎么可以使用一个模型结构CLIPEncoder？

A：这个也是非常好回答的，因他俩又不是直接使用CLIPEncoder ，前后都加了一些万金油的模型组件（比如embedding、linear 等），模型输出的时候，也是这么做的。还是应了那句话，就看你怎么吧数据转换成hidden_states，以及怎么把hidden_states输出出去。

Q：CLIPTextTransformer和CLIPVisionTransformer输出的维度也不一定一样吧，怎么计算交叉损失？

A： 也很简单啦，加个linear对齐一下就行了。

这里给一下截图，看看CLIPTextTransformer和CLIPVisionTransformer的内心：

model model

中文版本的clip模型

上面的常见的clip模型，确实是好，其实你只要换一个支持中文的新tokenizer，然后从0️⃣开始训练即可。 但是这么搞，没什么创意呀。其实我第一次就是这么干的，直接支持中文的新tokenizer。但是训练了一天，loss基本上没变化。我内心其实是崩溃的。

后来，我研究了一下transformers包里面的chinese-clip模型代码。我发现，chinese-clip相对于clip 。就是把常规的CLIPTextTransformer换成了bert版本的。啊对，这就破案了。这个奉上代码截图。 model

我以为这个换成这个模型也就可以了。但是训练了1天，loss依然没有变化。

总结

这次训练clip其实还是非常失败的。

  1. 尝试了很多方法，但是模型的loss就是不下降，非常难受。
  2. 因为io问题，耽误训练进度，难受。
  3. 因为图片做的筛选不到位，返工几次，耽误我接近7～8小时，非常难受。

后续改进

  1. 因为训练image这类型的任务，非常吃资源，不管是我的显存还是我的磁盘。目前数据占用我硬盘100GB
  2. 针对loss不下降，下次如果再让我做，我打算先把clip模型的vit部分先固定住，然后训练bert来拟合vit-output。
  3. 也可也固定bert模型，训练vit模型；
  4. 也可以拆开做，反正本质上都是Encoder，然后计算相似度。
  5. 如果那位同学有机器，有数据，有需求的话，可以联系我邮箱：📪yuanzhoulvpi@outlook.com 微信：🛰️yuanzhoulvpi_god