简介： 本⽂简要介绍咱们在电商下对CLIP模型的优化，以及上述模型在公开数据集上的评测后果。最初，咱们介绍如何在EasyNLP框架中调用上述电商CLIP模型。作者：熊兮、欢夏、章捷、临在 导读多模态内容（例如图像、文本、语音、视频等）在互联网上的爆炸性增长推动了各种跨模态模型的钻研与倒退，反对了多种跨模态内容了解工作。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上进行了比照学习预训练，具备很强的文图跨模态表征学习能力。在先前的工作（看这里）中，中⽂NLP/多模态算法框架EasyNLP反对了CLIP的根底性能，包含模型的Finetune、文图向量抽取等。在本期的工作中，咱们对EasyNLP框架进行了再一次降级，推出了交融了丰盛电商场景常识的CLIP模型，在电商文图检索成果上刷新了SOTA后果，并且将上述模型收费开源，奉献给开源社区。EasyNLP（https://github.com/alibaba/Ea...）是阿⾥云机器学习PAI 团队基于 PyTorch 开发的易⽤且丰盛的NLP算法框架，⽀持常⽤的中⽂预训练模型和⼤模型落地技术，并且提供了从训练到部署的⼀站式 NLP 开发体验。EasyNLP 提供了简洁的接⼝供⽤户开发 NLP 模型，包含NLP应⽤ AppZoo 和预训练 ModelZoo，同时提供技术帮忙⽤户⾼效的落地超⼤预训练模型到业务。因为跨模态了解需要的一直减少，EasyNLP也⽀持各种跨模态模型，推向开源社区，心愿可能服务更多的 NLP 和多模态算法开发者和研 究者，也心愿和社区⼀起推动 NLP /多模态技术的倒退和模型落地。本⽂简要介绍咱们在电商下对CLIP模型的优化，以及上述模型在公开数据集上的评测后果。最初，咱们介绍如何在EasyNLP框架中调用上述电商CLIP模型。CLIP模型技术概览OpenAI于2021年提出的CLIP（Contrastive Language-Image Pre-training）模型，收集了4亿文本-图像对进行图文比照学习训练，建设了图像和文本的关联性。CLIP模型蕴含两局部，别离为图像和文本的Encoder，用于对图像和文本别离进行特色抽取。CLIP的图像的Backbone有多个抉择，既能够应用经典的ResNet系列模型，也能够抉择近两年更先进的Transfomer类模型，例如ViT等。对于文本而言，CLIP个别应用BERT类模型，RoBERTa等也能够作为抉择。CLIP模型根底技术CLIP在特色抽取后，别离对图文向量进行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之后的图像和文本向量间接应用相乘以计算余弦间隔，目标是使得匹配的图文对的后果趋近于1，不匹配的图文对的后果趋近于0；并且优化比照学习损失InfoNCE进行模型的预训练。
CLIP的双流架构使得其在推理阶段能够十分不便地用于计算图文类似度，因为CLIP曾经将图文的示意映射到同一个向量空间。此外，通过对类别标签设计Prompt，CLIP的还具备弱小的Zero-shot Classification能力。如下图所示，将文本标签转化为Prompt “A photo of a {object}.”，并且应用指标图像作为输入。如果文本“A photo of a dog.”于以后图像匹配度最高（具备最大的余弦类似度），即能够阐明，以后图像的物体是“dog”。由此可见，预训练后的CLIP模型能够十分好的间接利用于图像分类模型，而不须要额定的训练。
电商场景下CLIP模型的优化EasyNLP借鉴CLIP的轻量化、易迁徙的预训练架构，构建基于CLIP蕴含图像和文本Encoder两局部的双流模型，同时基于商品数据，以优化电商场景的文图检索优化。具体来说，咱们采样了200万的商品图文数据，在OpenCLIP公开的模型权重上进行了持续预训练，使得模型具备电商畛域的感知能力。同时，因为电商场景的文本概念散布稠密，图像以商品图为主，具备较低的场景丰富性，因而，咱们在预训练过程中更加关注电商概念的相干常识，引入了图文常识的细粒度交互，使得模型具备电商常识的辨认能力。特地地，咱们重点参考了DeCLIP的工作，对于电商概念构建其Prototype表征，存储在Feature Queue中，从而在训练过程中关注以后图文对与电商概念Prototype表征的匹配信息（见参考文献8）。对图像局部的输出，咱们将图像对立Resize为224×224的大小，并思考不同的利用和部署场景，采纳ViT-B-32（Vision Transformer层数为12，图像Patch大小为32×32）和ViT-L-14（Vision Transformer层数为24，图像patch大小为14×14）两种模型作为图像侧的Encoder。对于文本局部的输出，咱们和CLIP一样采纳12层Text Transformer作为文本侧Encoder，通过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模型参数配置如下表：模型配置alibaba-pai/pai-clip-commercial-base-enalibaba-pai/pai-clip-commercial-large-en参数量（Parameters）151M428M层数（Number of Layers）1224注意力头数（Attention Heads）1216隐向量维度（Hidden Size）7681024文本长度（Text Length）7777图像序列长度（Image Patch Size）32 x 3214 x 14图像尺寸（Image Size）224 x 224224 x 224词表大小（Vocabulary Size）4940849408如上表所述，电商CLIP模型蕴含了两个不同的图像Encoder架构，为表中的pai-clip-commercial-base-en和pai-clip-commercial-large-en模型，别离代表ViT-B-32和ViT-L-14作为图像Backbone。此外，咱们也提供了两个中文的预训练CLIP模型，奉献到开源社区，相干配置如下：模型配置alibaba-pai/clip_chinese_roberta_base_vit_basealibaba-pai/clip_chinese_roberta_base_vit_large参数量（Parameters）188M406M层数（Number of Layers）1224注意力头数（Attention Heads）1216隐向量维度（Hidden Size）7681024文本长度（Text Length）7777图像序列长度（Image Patch Size）16 x 1616 x 16图像尺寸（Image Size）224 x 224224 x 224词表大小（Vocabulary Size）2112821128电商CLIP模型成果评测Fashion-Gen数据集是一个大规模的时尚场景的图文数据集，是电商畛域FashionBERT、KaleidoBERT、CommerceMM等模型用来评测检索成果的较为通用的数据集。Fashion-Gen共蕴含293,088条商品图文数据，其中训练集蕴含260,480个图文对，验证集和测试集蕴含32,528条图文对。Fashion-Gen中的商品数据蕴含48个大类别，121个小类别，在训练和测试数据中类别最多的包含"tops"，"sweaters"，"jackets & coats"等。咱们基于pai-clip-commercial-base-en和pai-clip-commercial-large-en这两个模型在Fashion-Gen数据集上进行了20个epoch的微调。如下表所示，试验结果表明，相比于现颁布的SOTA模型（CommerceMM），在文到图和图到文的检索后果上，咱们的电商CLIP曾经有了显著的成果晋升。其中，[email protected]，[email protected]和[email protected]别离代表图文或文图检索后果Top 1、Top 5和Top 10中含有正确后果的准确率。咱们的电商CLIP-large模型，在图文检索的后果上晋升了2.9～5.6个百分点，在文图检索上的体现更加优良，在三个评测指标上晋升了8.7～15个百分点。电商base模型在文到图的检索后果上与CommerceMM相当，却应用了更少的参数量。电商CLIP无论在large还是base图像Encoder的设置下，都获得了有竞争力的电商场景跨模态检索能力。文到图检索评测后果模型[email protected]@[email protected]858.967.6CommerceMM39.661.572.7EI-CLIP28.457.169.4EasyNLP电商CLIPpai-clip-commercial-base-en39.561.570.0pai-clip-commercial-large-en54.675.181.4 图到文检索评测后果模型[email protected]@[email protected]955.464.1CommerceMM41.664.072.8EI-CLIP25.754.566.8EasyNLP电商CLIPpai-clip-commercial-base-en33.857.566.0pai-clip-commercial-large-en47.269.375.7 如下展现了EasyNLP电商CLIP在Fashion-Gen验证集上的文图检索后果，对于雷同的文本，咱们别离展现了咱们模型和开源CLIP模型的Top-1图像检索后果：CaseQueryEasyNLP电商CLIPOpenCLIP1Midi skirt in pine green. Stiff, washed finish throughout. Oversized bow accent at waist. Ruffled detail at front. Concealed zip closure at back. Vented at back. Tonal stitching.
2Jersey skirt in black. Elasticised waistband. Shirring at front waist. Drop-tail hem. Fully lined. Tonal stitching.
3Long sleeve French terry pullover in black. Rib knit crewneck collar. Lace-up fastening at side-seams. Tonal stitching.
4Long sleeve cotton-blend jersey henley in heather 'medium' grey. Crewneck collar. Three-button placket. Rib knit cuffs. Tonal stitching.
5Canvas slip-on sandals in black. Fringed edges throughout. Open round toe. Leather lining in beige. Round block heel. Tonal leather sole. Tonal stitching. Approx. 3\" heel.
通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获更细粒度的时尚信息，更进一步在概念常识层级实现图文样本的跨模态对齐。如case 1所示，EasyNLP电商CLIP更精确的捕获了指标商品图片的主体为“Midi skirt in pine green.”，并使得蕴含了“midi skirt”，“pine green”，“bow accent”，“ruffled detail”等细粒度时尚正确的图像——侧面荷叶边、腰部含有蝴蝶结装璜、松绿色、中长半身裙的商品图与文本有更高的类似度。没有在预训练过程中注入电商常识的模型尽管也检索到了松绿色的商品图，但在商品主体定位上即产生了谬误。case 4则更关注到了细粒度的时尚概念“three-button placket.”，使蕴含这些特色的正确图片（第二列）排名更靠前。case 4第三列的商品图尽管同样能够匹配“long sleeve”，“'medium' grey”等特色，但相比于ground-truth图像，其仅反映了query的局部信息。同样的，case 5中的谬误图像仅关注了“in black”，“fringed edges”等细节概念，而漠视了query中特色的主体应为“sandals”。通过EasyNLP电商CLIP对于图文时尚概念的对齐，则能够很好的防止这些谬误的匹配。EasyNLP框架中电商CLIP模型的实现在EasyNLP框架中，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.htmldef 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简要介绍如何在EasyNLP框架使⽤CLIP模型。装置EasyNLP⽤户能够间接参考GitHub（https://github.com/alibaba/EasyNLP）上的阐明装置EasyNLP算法框架。数据筹备CLIP是一个finetune模型，须要用户筹备上游工作的训练与验证数据，为tsv文件。这⼀⽂件蕴含以制表符\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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咱们已筹备好测试用的中英文数据，通过下列示例中的shell脚本即可主动下载。 CLIP文图检索微调与测试示例咱们提供了CLIP应用示例，位于EasyNLP/examples/clip_retrieval中文示例# 中文训练，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代表所要应用的显卡编号
咱们提供两种中文权重
alibaba-pai/clip_chinese_roberta_base_vit_base
alibaba-pai/clip_chinese_roberta_base_vit_large
对应的命令如下，源码细节请查看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'
中文测试
sh run_clip_local.sh 0 evaluate_cn
生成离线文图特色示例
sh run_clip_local.sh 0 predict_cn_text
sh run_clip_local.sh 0 predict_cn_image英文数据# 英文训练
英文同样提供两种尺寸的权重
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'
英文测试
sh run_clip_local.sh 0 evaluate_en将来瞻望在将来，咱们打算在EasyNLP框架中集成更多NLP的多模态的常识模型，笼罩各个常见畛域和工作，敬请期待。咱们也将在EasyNLP框架中集成更多SOTA模型（特地是中⽂模型），来⽀持各种NLP和多模态工作。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，欢送⽤户继续关注咱们，也欢送加⼊ 咱们的开源社区，共建NLP和多模态算法库！Github地址：https://github.com/alibaba/Ea... 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.阿里灵杰回顾阿里灵杰：阿里云机器学习PAI开源中文NLP算法框架EasyNLP，助力NLP大模型落地阿里灵杰：预训练常识度量较量夺冠！阿里云PAI公布常识预训练工具阿里灵杰：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，借助常识图谱实现更优Finetune阿里灵杰：中文稠密GPT大模型落地 — 通往低成本&高性能多任务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）生成原文链接：https://click.aliyun.com/m/10...本文为阿里云原创内容，未经容许不得转载。