跨模态学习能力再升级，EasyNLP电商文图检索效果刷新SOTA-六虎

我报名参与金石方案1期挑战——瓜分10万奖池，这是我的第8篇文章，点击检查活动详情

作者：熊兮、欢夏、章捷、临在

导读

多模态内容（例如图画、文本、语音、视频等）在互联网上的爆炸性添加推动了各种跨模态模型的研究与发展，支撑了多种跨模态内容了解使命。在这些跨模态模型中，CLIP（Contrastive Language-Image Pre-training）是一种经典的文图跨模态检索模型，它在大规模图文数据集进步行了比照学习预练习，具有很强的文图跨模态表征学习才能。在从前的作业（看这里）中，中⽂NLP/多模态算法结构EasyNLP支撑了CLIP的根底功用，包括模型的Finetune、文图向量抽取等。在本期的作业中，咱们对EasyNLP结构进行了再一次升级，推出了融合了丰富电商场景常识的CLIP模型，在电商文图检索作用上刷新了SOTA成果，而且将上述模型免费开源，贡献给开源社区。

EasyNLP（github.com/alibaba/Eas…）是阿⾥云机器学习PAI 团队根据 PyTorch 开发的易⽤且丰富的NLP算法结构，⽀持常⽤的中⽂预练习模型和⼤模型落地技能，而且供给了从练习到布置的⼀站式 NLP 开发体验。EasyNLP 供给了简洁的接⼝供⽤户开发 NLP 模型，包括NLP应⽤ AppZoo 和预练习 ModelZoo，一起供给技能帮助⽤户⾼效的落地超⼤预练习模型到业务。因为跨模态了解需求的不断添加，EasyNLP也⽀持各种跨模态模型，推向开源社区，期望能够服务更多的 NLP 和多模态算法开发者和研究者，也期望和社区⼀起推动 NLP /多模态技能的发展和模型落地。

本⽂扼要介绍咱们在电商下对CLIP模型的优化，以及上述模型在揭露数据集上的评测成果。最后，咱们介绍如何在EasyNLP结构中调用上述电商CLIP模型。

CLIP模型技能概览

OpenAI于2021年提出的CLIP（Contrastive Language-Image Pre-training）模型，收集了4亿文本-图画对进行图文比照学习练习，建立了图画和文本的关联性。CLIP模型包括两部分，分别为图画和文本的Encoder，用于对图画和文本分别进行特征抽取。CLIP的图画的Backbone有多个挑选，既能够运用经典的ResNet系列模型，也能够挑选近两年更先进的Transfomer类模型，例如ViT等。关于文本而言，CLIP一般运用BERT类模型，RoBERTa等也能够作为挑选。

CLIP模型根底技能

CLIP在特征抽取后，分别对图文向量进行Normalization，之后进一步进行内积计算，获取样本间的类似度。在模型Loss Function层面，因为咱们对进行Normalization之后的图画和文本向量直接运用相乘以计算余弦距离，目的是使得匹配的图文对的成果趋近于1，不匹配的图文对的成果趋近于0；而且优化比照学习损失InfoNCE进行模型的预练习。

CLIP的双流架构使得其在推理阶段能够十分方便地用于计算图文类似度，因为CLIP现已将图文的表示映射到同一个向量空间。此外，经过对类别标签设计Prompt，CLIP的还具有强壮的Zero-shot Classification才能。如下图所示，将文本标签转化为Prompt “A photo of a {object}.”，而且运用方针图画作为输出。假如文本“A photo of a dog.”于当时图画匹配度最高（具有最大的余弦类似度），即能够阐明，当时图画的物体是“dog”。由此可见，预练习后的CLIP模型能够十分好的直接应用于图画分类模型，而不需要额外的练习。

电商场景下CLIP模型的优化

EasyNLP借鉴CLIP的轻量化、易搬迁的预练习架构，构建根据CLIP包括图画和文本Encoder两部分的双流模型，一起根据产品数据，以优化电商场景的文图检索优化。具体来说，咱们采样了200万的产品图文数据，在OpenCLIP揭露的模型权重进步行了继续预练习，使得模型具有电商范畴的感知才能。一起，因为电商场景的文本概念分布稀少，图画以产品图为主，具有较低的场景丰富性，因此，咱们在预练习过程中更加重视电商概念的相关常识，引入了图文常识的细粒度交互，使得模型具有电商常识的辨认才能。特别地，咱们重点参阅了DeCLIP的作业，关于电商概念构建其Prototype表征，存储在Feature Queue中，从而在练习过程中重视当时图文对与电商概念Prototype表征的匹配信息（见参阅文献8）。

对图画部分的输入，咱们将图画统一Resize为224224的巨细，并考虑不同的应用和布置场景，选用ViT-B-32（Vision Transformer层数为12，图画Patch巨细为3232）和ViT-L-14（Vision Transformer层数为24，图画patch巨细为1414）两种模型作为图画侧的Encoder。关于文本部分的输入，咱们和CLIP相同选用12层Text Transformer作为文本侧Encoder，经过BPE分词器做文本预处理，并限定文本词长小于77。这两个电商场景的CLIP模型参数装备如下表：

模型装备	alibaba-pai/pai-clip-commercial-base-en	alibaba-pai/pai-clip-commercial-large-en
参数量（Parameters）	151M	428M
层数（Number of Layers）	12	24
注意力头数（Attention Heads）	12	16
隐向量维度（Hidden Size）	768	1024
文本长度（Text Length）	77	77
图画序列长度（Image Patch Size）	32 x 32	14 x 14
图画尺度（Image Size）	224 x 224	224 x 224
词表巨细（Vocabulary Size）	49408	49408

如上表所述，电商CLIP模型包括了两个不同的图画Encoder架构，为表中的pai-clip-commercial-base-en和pai-clip-commercial-large-en模型，分别代表ViT-B-32和ViT-L-14作为图画Backbone。

此外，咱们也供给了两个中文的预练习CLIP模型，贡献到开源社区，相关装备如下：

模型装备	alibaba-pai/clip_chinese_roberta_base_vit_base	alibaba-pai/clip_chinese_roberta_base_vit_large
参数量（Parameters）	188M	406M
层数（Number of Layers）	12	24
注意力头数（Attention Heads）	12	16
隐向量维度（Hidden Size）	768	1024
文本长度（Text Length）	77	77
图画序列长度（Image Patch Size）	16 x 16	16 x 16
图画尺度（Image Size）	224 x 224	224 x 224
词表巨细（Vocabulary Size）	21128	21128

电商CLIP模型作用评测

Fashion-Gen数据集是一个大规模的时髦场景的图文数据集，是电商范畴FashionBERT、KaleidoBERT、CommerceMM等模型用来评测检索作用的较为通用的数据集。Fashion-Gen共包括293,088条产品图文数据，其中练习集包括260,480个图文对，验证集和测验集包括32,528条图文对。Fashion-Gen中的产品数据包括48个大类别，121个小类别，在练习和测验数据中类别最多的包括”tops”，”sweaters”，”jackets & coats”等。咱们根据pai-clip-commercial-base-en和pai-clip-commercial-large-en这两个模型在Fashion-Gen数据集进步行了20个epoch的微调。

如下表所示，实验成果表明，比较于现发布的SOTA模型（CommerceMM），在文到图和图到文的检索成果上，咱们的电商CLIP现已有了显著的作用提高。其中，Rank@1，Rank@5和Rank@10分别代表图文或文图检索成果Top 1、Top 5和Top 10中含有正确成果的精确率。咱们的电商CLIP-large模型，在图文检索的成果上提高了2.9～5.6个百分点，在文图检索上的表现更加优异，在三个评测指标上提高了8.7～15个百分点。电商base模型在文到图的检索成果上与CommerceMM相当，却运用了更少的参数量。电商CLIP无论在large还是base图画Encoder的设置下，都取得了有竞争力的电商场景跨模态检索才能。

文到图检索评测成果

图到文检索评测成果

如下展现了EasyNLP电商CLIP在Fashion-Gen验证集上的文图检索成果，关于相同的文本，咱们分别展现了咱们模型和开源CLIP模型的Top-1图画检索成果：

经过上述案例展现能够看出，EasyNLP电商CLIP在图文交互过程中能够捕捉更细粒度的时髦信息，更进一步在概念常识层级完成图文样本的跨模态对齐。如case 1所示，EasyNLP电商CLIP更精确的捕捉了方针产品图片的主体为“Midi skirt in pine green.”，并使得包括了“midi skirt”，“pine green”，“bow accent”，“ruffled detail”等细粒度时髦正确的图画——正面荷叶边、腰部含有蝴蝶结装饰、松绿色、中长半身裙的产品图与文本有更高的类似度。没有在预练习过程中注入电商常识的模型尽管也检索到了松绿色的产品图，但在产品主体定位上即产生了过错。case 4则更重视到了细粒度的时髦概念“three-button placket.”，使包括这些特征的正确图片（第二列）排名更靠前。case 4第三列的产品图尽管同样能够匹配“long sleeve”，“’medium’ grey”等特征，但比较于ground-truth图画，其仅反映了query的部分信息。同样的，case 5中的过错图画仅重视了“in black”，“fringed edges”等细节概念，而忽视了query中特征的主体应为“sandals”。经过EasyNLP电商CLIP关于图文时髦概念的对齐，则能够很好的避免这些过错的匹配。

EasyNLP结构中电商CLIP模型的完成

在EasyNLP结构中，咱们在模型层构建了CLIP模型的Backbone，其核⼼代码如下所示：

    def forward(self, inputs,feat=None):
        if self.model_type=='open_clip':
            _device=self.open_clip.text_projection.device
            logit_scale = self.open_clip.logit_scale.exp()
        elif self.model_type=='chinese_clip':
            _device=self.chinese_clip.text_projection.device
            logit_scale = self.chinese_clip.logit_scale.exp()
        else:
            _device=self.text_projection.weight.device
            logit_scale = self.logit_scale.exp()
        if 'pixel_values' in inputs:
            inputs['pixel_values']=inputs['pixel_values'].to(_device)
        else:
            inputs['pixel_values']=None
        if 'input_ids' in inputs:
            inputs['input_ids']=inputs['input_ids'].to(_device)
        else:
            inputs['input_ids']=None
        if self.model_type=='open_clip':
            image_embeds, text_embeds = self.open_clip(inputs['pixel_values'], inputs['input_ids']) 
        elif self.model_type=='chinese_clip':
            image_embeds, text_embeds = self.chinese_clip(inputs['pixel_values'], inputs['input_ids'])             
        else:
            image_embeds=None
            text_embeds=None
            if 'input_ids' in inputs:
                text_outputs = self.text_encoder(input_ids=inputs['input_ids'],
                token_type_ids=inputs['token_type_ids'].to(_device),
                attention_mask=inputs['attention_mask'].to(_device))
                text_embeds = text_outputs[1]
                text_embeds = self.text_projection(text_embeds)
                text_embeds = text_embeds / text_embeds.norm(dim=-1, keepdim=True)
            if 'pixel_values' in inputs:
                vision_outputs = self.vision_encoder(
                    pixel_values=inputs['pixel_values']
                )
                image_embeds = vision_outputs[1].detach()
                image_embeds = self.vision_projection(image_embeds)
                image_embeds = image_embeds / image_embeds.norm(dim=-1, keepdim=True)
        if feat is True:
            return {'image_embeds':image_embeds,'text_embeds':text_embeds}
        # cosine similarity as logits
        logits_per_text = torch.matmul(text_embeds, image_embeds.t()) * logit_scale
        logits_per_image = logits_per_text.T
        return {'logits_per_text':logits_per_text,'logits_per_image':logits_per_image,'image_embeds':image_embeds,'text_embeds':text_embeds}
    # contrastive loss function, adapted from
    # https://sachinruk.github.io/blog/pytorch/pytorch%20lightning/loss%20function/gpu/2021/03/07/CLIP.html
    def contrastive_loss(self,logits: torch.Tensor) -> torch.Tensor:
        return nn.functional.cross_entropy(logits, torch.arange(len(logits), device=logits.device))
    def clip_loss(self,similarity: torch.Tensor) -> torch.Tensor:
        caption_loss = self.contrastive_loss(similarity)
        image_loss = self.contrastive_loss(similarity.T)
        return (caption_loss + image_loss) / 2.0    
    def compute_loss(self, forward_outputs, label_ids, **kwargs):
        loss = self.clip_loss(forward_outputs['logits_per_text'])
        return {'loss': loss}

中英文CLIP模型使⽤教程

以下咱们扼要介绍如何在EasyNLP结构使⽤CLIP模型。

装置EasyNLP

⽤户能够直接参阅GitHub（github.com/alibaba/Eas…）上的阐明装置EasyNLP算法结构。

数据预备

CLIP是一个finetune模型，需要用户预备下游使命的练习与验证数据，为tsv文件。这⼀⽂件包括以制表符\t分隔的两列，第一列是文本，第二列是图片的base64编码。样例如下：

Long sleeve stretch jersey pullover in 'burnt' red. Turtleneck collar. Tonal stitching.	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

咱们已预备好测验用的中英文数据，经过下列示例中的shell脚本即可主动下载。

CLIP文图检索微调与测验示例

咱们供给了CLIP运用示例，位于EasyNLP/examples/clip_retrieval

中文示例

# 中文练习，执行如下脚本时所需的数据文件会主动下载
sh run_clip_local.sh 0 train_cn #其中0代表所要运用的显卡编号
# 咱们供给两种中文权重 
# alibaba-pai/clip_chinese_roberta_base_vit_base
# alibaba-pai/clip_chinese_roberta_base_vit_large
# 对应的指令如下，源码细节请检查run_clip_local.sh文件
# easynlp \
# --mode train \
# --worker_gpu=1 \
# --tables=./MUGE_MR_train_base64_part.tsv,./MUGE_MR_valid_base64_part.tsv \
# --input_schema=text:str:1,image:str:1 \
# --first_sequence=text \
# --second_sequence=image \
# --checkpoint_dir=./clip_cn_model/ \
# --learning_rate=1e-6  \
# --epoch_num=1  \
# --random_seed=42 \
# --logging_steps=100 \
# --save_checkpoint_steps 200 \
# --sequence_length=32 \
# --micro_batch_size=32 \
# --app_name=clip \
# --save_all_checkpoints \
# --user_defined_parameters='pretrain_model_name_or_path=alibaba-pai/clip_chinese_roberta_base_vit_base'  

# 中文测验
sh run_clip_local.sh 0 evaluate_cn

# 生成离线文图特征示例
sh run_clip_local.sh 0 predict_cn_text
sh run_clip_local.sh 0 predict_cn_image

英文数据

# 英文练习
# 英文同样供给两种尺度的权重
# alibaba-pai/pai-clip-commercial-base-en
# alibaba-pai/pai-clip-commercial-large-en
sh run_clip_local.sh 0 train_en
# easynlp \
# --mode train \
# --worker_gpu=1 \
# --tables=./fashiongen_1to1_train.tsv,./fashiongen_1to1_test.tsv \
# --input_schema=text:str:1,image:str:1 \
# --first_sequence=text \
# --second_sequence=image \
# --checkpoint_dir=./clip_en_model/ \
# --learning_rate=1e-6  \
# --epoch_num=1  \
# --random_seed=42 \
# --logging_steps=100 \
# --save_checkpoint_steps 200 \
# --sequence_length=32 \
# --micro_batch_size=32 \
# --app_name=clip \
# --save_all_checkpoints \
# --user_defined_parameters='pretrain_model_name_or_path=alibaba-pai/pai-clip-commercial-base-en'  

# 英文测验
sh run_clip_local.sh 0 evaluate_en

未来展望

在未来，咱们方案在EasyNLP结构中集成更多NLP的多模态的常识模型，覆盖各个常见范畴和使命，敬请期待。咱们也将在EasyNLP结构中集成更多SOTA模型（特别是中⽂模型），来⽀持各种NLP和多模态使命。此外，阿⾥云机器学习PAI团队也在继续推动多模态模型的⾃研⼯作，欢迎⽤户继续重视咱们，也欢迎加⼊咱们的开源社区，共建NLP和多模态算法库！

Github地址：github.com/alibaba/Eas…

Reference

Wang C, Qiu M, Zhang T, et al. EasyNLP: A Comprehensive and Easy-to-use Toolkit for Natural Language Processing. arXiv, 2021.
Radford A, Kim J W, Hallacy C, et al. Learning transferable visual models from natural language supervision. PMLR, 2021.
Rostamzadeh N, Hosseini S, Boquet T, et al. Fashion-gen: The generative fashion dataset and challenge. arXiv, 2018.
Gao D, Jin L, Chen B, et al. Fashionbert: Text and image matching with adaptive loss for cross-modal retrieval. ACM SIGIR, 2020: 2251-2260.
Zhuge M, Gao D, Fan D P, et al. Kaleido-bert: Vision-language pre-training on fashion domain. CVPR, 2021: 12647-12657.
Yu L, Chen J, Sinha A, et al. Commercemm: Large-scale commerce multimodal representation learning with omni retrieval. ACM SIGKDD, 2022: 4433-4442.
Ma H, Zhao H, Lin Z, et al. EI-CLIP: Entity-Aware Interventional Contrastive Learning for E-Commerce Cross-Modal Retrieval. CVPR, 2022: 18051-18061.
Li Y, Liang F, Zhao L, et al. Supervision Exists Everywhere: A Data Efficient Contrastive Language-Image Pre-training Paradigm. ICLR 2022.

阿里灵杰回忆

阿里灵杰：阿里云机器学习PAI开源中文NLP算法结构EasyNLP，助力NLP大模型落地
阿里灵杰：预练习常识衡量竞赛夺冠！阿里云PAI发布常识预练习东西
阿里灵杰：EasyNLP带你玩转CLIP图文检索
阿里灵杰：EasyNLP中文文图生成模型带你秒变艺术家
阿里灵杰：EasyNLP集成K-BERT算法，借助常识图谱完成更优Finetune
阿里灵杰：中文稀少GPT大模型落地 — 通往低成本&高性能多使命通用自然语言了解的要害里程碑
阿里灵杰：EasyNLP玩转文本摘要（新闻标题）生成

跨模态学习能力再升级，EasyNLP电商文图检索效果刷新SOTA

导读

CLIP模型技能概览

CLIP模型根底技能

电商场景下CLIP模型的优化

电商CLIP模型作用评测

EasyNLP结构中电商CLIP模型的完成

中英文CLIP模型使⽤教程

装置EasyNLP

数据预备

CLIP文图检索微调与测验示例

未来展望

Reference

阿里灵杰回忆

作者信息

推广

跨模态学习能力再升级，EasyNLP电商文图检索效果刷新SOTA

导读

CLIP模型技能概览

CLIP模型根底技能

电商场景下CLIP模型的优化

电商CLIP模型作用评测

EasyNLP结构中电商CLIP模型的完成

中英文CLIP模型使⽤教程

装置EasyNLP

数据预备

CLIP文图检索微调与测验示例

未来展望

Reference

阿里灵杰回忆

相关文章

从“13 天”到“0 天”延时，揭秘火山引擎 DataLeap SLA 保障最佳实践

CVE-2022-22965 漏洞分析

AutoGPT – 个人全自动AI助手

Compose LazyColumn 对比 RecyclerView ，谁的性能更好？

作者信息

推广