关于机器学习:多模态大语言模型-LlaVA-论文解读Visual-Instruction-Tuning

60次阅读

共计 2554 个字符,预计需要花费 7 分钟才能阅读完成。

代码:https://github.com/haotian-liu/LLaVA

总览

在这篇论文中,作者首次尝试应用 纯语言 GPT-4 生成多模态语言图像指令遵循数据 (insruction-following data)。通过对此类生成数据进行指令调整,推出了 大型语言和视觉助手(Large Language and Vision Assistant,LLaVA)。一种端到端训练的大型多模态模型,连贯视觉编码器和 LLM 以实现通用视觉和语言了解。

背景等相干办法:大型语言模型(LLM)表明语言能够施展更宽泛的作用:通用助手的通用接口,各种工作指令能够用语言明确示意并领导端到端 训练有素的神经助手切换到感兴趣的工作来解决它。例如,最近 ChatGPT 和 GPT-4 的胜利证实了对齐 LLM 在遵循人类指令方面的力量,并激发了人们对开发开源 LLM 的极大趣味。其中,LLaMA [44] 是一个与 GPT-3 性能相匹配的开源 LLM。Alpaca [43]、Vicuna [45]、GPT-4-LLM [34]利用各种机器生成的高质量指令追随样本来进步 LLM 的对齐能力,与专有 LLM 相比,报告了令人印象粗浅的性能。重要的是,这行工作是纯文本的。

不同于下面文本的指令微调,作者提出了视觉指令微调,第一个尝试将指令微调拓展到多模态畛域调整。奉献如下:

  • 数据方面:应用 ChatGPT/GPT- 4 来将数据转化为多模态指令遵循数据(multimodel instrustion-following data);
  • 模型方面:应用 CLIP+LLaMA 进行指令微调,构建了多模态大模型 LLaVA,失去了较好的后果;
  • 开源,开源,还是开源!这年头大模型开源都算次要 contribution 了。

GPT- 帮助的数据生成

这部分我写的比拟细,因为当初大模型论文在模型上区别并不大,次要还是数据的区别。

基于已有的大量图片对数据,利用 ChatGPT/GPT- 4 进行多模态指令遵循数据的收集。次要问题集中在如何用 Language-only/Text-only 的 ChatGPT/GPT- 4 模型来为图片内容生成对应的指令。

最根本的形式:图片 Xv和其对应的 阐明文字 Xc,构建一个 问题汇合 Xq来提醒大模型助手对图片内容进行形容。通过提醒 GPT- 4 能够构建这样一个问题序列,如下图:

而后能够将图文对扩大成指令遵循版本的数据格式:Human: Xq Xv <STOP> \n Assistant: Xc <STOP> \n。

但这样结构的数据都 不足多样性和深刻推理性 ,为了补救这一问题,作者 将视觉内容编码送进 ChatGPT来进步指令的品质,用了两类的合乎示意:文字说明 (通常从不同的角度形容视觉场景)和 编辑框 BBox(通常对场景中的物体进行定位,每个边界框对物体的概念及其空间地位进行编码),如下图:

通过这两类合乎示意,将视觉内容传播给了大模型,而后手工设计了 3 种对话形式,利用 GPT- 4 进行生成和裁减,别离是 对话、细节形容 简单推理

这里的每种类型应用的问题(Question)也是通过 GPT 进行 in-context-learning 来模拟生成的。其中,图片 / 形容 / 边界框等信息应用 COCO 数据集的数据。

以对话为例,作者采纳了下图的形式生成更多的对话标签。

最终累积 158K 的语言 - 图片指令遵循样本,58K 对话、23K 细节形容和 77K 简单推理。同时在应用 ChatGPT 和 GPT- 4 时,作者发现 GPT- 4 生成的指令遵循数据品质更高,比方空间推理能力。

网络结构

与 GPT-4-LLM[34], Alpaca[43], Vicuna[45]相似,作者应用 LLaMA 来做 指令微调工作,网络结构如下。整体比较简单,再语言模型前(LLaMA)增加了一个视觉编码器(CLIP)将图片转化为 Patch features,而后这些图片特色通过一个映射层 W 转化为视觉 Token,Vison Token 与 Language Token 指令在同一个特色空间,一起拼接(concantate)一起送进大模型。

这里的映射层 W 能够替换为更简单的网络来晋升性能。

模型训练

应用如下图的形式组织输入输出,其中绿色局部为参加损失计算的局部,损失应用自回归模型的损失,即 next token prediction。

作者应用了两阶段的训练形式:

  1. 预训练特色对齐模块(映射层 W);
  2. 端对端的微调语言模型 + 映射层。

试验成果

其余能够学习的文章

miniGPT- 4 的同期工作: 微软 LLaVa 模型论文笔记:https://zhuanlan.zhihu.com/p/625723805

Visual Instruction Tuning:https://zhuanlan.zhihu.com/p/624071363

参考文献

[34] Baolin Peng, Chunyuan Li, Pengcheng He, Michel Galley, and Jianfeng Gao. Instruction tuning with GPT-4.

[43] Rohan Taori, Ishaan Gulrajani, Tianyi Zhang, Yann Dubois, Xuechen Li, Carlos Guestrin, Percy Liang, and Tatsunori B. Hashimoto. Stanford alpaca: An instruction-following llama model. https://github.com/tatsu-lab/stanford_alpaca, 2023

[44] Hugo Touvron, Thibaut Lavril, Gautier Izacard, Xavier Martinet, Marie-Anne Lachaux, Timo- thée Lacroix, Baptiste Rozière, Naman Goyal, Eric Hambro, Faisal Azhar, et al. Llama: Open and efficient foundation language models. arXiv preprint arXiv:2302.13971, 2023.

[45] Vicuna. Vicuna: An open-source chatbot impressing gpt-4 with 90%* chatgpt quality. https: //vicuna.lmsys.org/, 2023.

正文完
 0