零样本学习超越CLIP!谷歌提出首个多模态稀疏化模型LIMoE

明敏发自凹非寺
量子位|公众号QbitAI
多模态模型常见 , 但是基于稀疏化的还是头一个 。
谷歌带来最新成果LIMoE , 首次将稀疏化方法用在了图像文本混合模型上 。
要知道 , 随着大模型参数呈指数级增加 , 训练成本也是一路飙升 。
所以如何降低训练成本 , 成为了目前学界重点关注的一个问题 。
谷歌想到的办法 , 不是拼硬件 , 而是从模型本身入手 。
利用稀疏化的方法 , 让每次输入只需激活部分网络就能完成任务 。
它们在模型内部设置了很多“专家” , 每个“专家”只需处理对应部分的输入 , 根据任务情况按需使用“专家”就好 。
这样一来 , 尽管模型容量很大 , 但是计算成本并没有暴增 。
零样本学习超越CLIP!谷歌提出首个多模态稀疏化模型LIMoE
文章图片
而且还不会降低性能 。
新方法LIMoE零样本学习任务中 , 可是直接超越了CLIP 。
怪不得网友高呼:
快分享给我们API!
零样本学习超越CLIP!谷歌提出首个多模态稀疏化模型LIMoE
文章图片
让不同“专家”处理不同任务对于深度学习来说 , 能同时处理文本图像任务其实已经不稀奇 。
不过过去常见的多模态学习方法 , 往往是单个输入就需要激活整个网络 。
谷歌这次提出的新方法 , 最大亮点就是首次在这一领域采用了稀疏化模型 。
稀疏化的方法便是无需让整个模型来处理所有的输入 。
通过对神经网络进行划分 , 它让神经网络也“专业对口” , 不同的子模型只处理固定类型的任务或数据 。
但也不是完全割裂开来 , 模型内部仍有可共享的部分 。
此次基于的模型是MoE(Mixture-of-Expertslayer) , 它被称为专家混合模型 。
也就是在Transformer架构的基础上 , 加设了“专家层” 。
它是一个并行的FNN , 取代了原本的前馈网络 。
这里的“专家” , 也就是模型内部的不同子模型 。
每个子模型专门用于不同的输入 。
每一层中的专家由门控网络控制 , 该网络根据输入数据激活专家 。
对于每个标记 , 门控网络选择最合适的专家来处理数据 。
零样本学习超越CLIP!谷歌提出首个多模态稀疏化模型LIMoE
文章图片
此次新提出的LIMoE , 其实就是让MoE能同时处理图像文本 。
具体来看 , 就是让LIMoE进行对比学习 。
在利用大量图像-文本对训练时 , 网络内部的图像模型提取图像表示 , 文本模型提取文本表示 。
针对相同的图像-文本对 , 模型会拉近图像和文本表示的距离 。
反之 , 对于不同的图像-文本对 , 则会让相应的表示彼此远离 。
这样一来的直接好处 , 就是能实现零样本学习 。
比如一张图像的表示更接近文本“狗”的表示 , 那么它就会被归类为狗 。
这种思路可以扩展到数千种情况 。
实际上 , CLIP和ALIGAN采用的都是这个思路 , 它们在ImageNet数据集上的精度分别是76.2%、76.4% 。
而LIMoE-L/16可以达到78.6% , 已经超过了CLIP 。
未经过预训练的LIMoEH/14则能达到84.1%的精度 。
零样本学习超越CLIP!谷歌提出首个多模态稀疏化模型LIMoE
文章图片
零样本学习超越CLIP!谷歌提出首个多模态稀疏化模型LIMoE
文章图片
而在LIMoE的专家层中 , 谷歌表示还发现了一些有趣的现象 。
零样本学习超越CLIP!谷歌提出首个多模态稀疏化模型LIMoE】比如在训练设置中 , 图像标记比文本标记要多很多 , 因此所有专家都会在在任务中多少处理些图像 。