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

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。

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！

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。

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。

文章图片

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。