151-5197-5087
扬州华为授权服务中心
当前位置:网站首页 > 智能化工程 正文 智能化工程

AI多模态模型架构之输入投影器:LP、MLP和Cross-Attention

2024-11-29 23:21:28 智能化工程 27 ℃ 0 评论

探索AI的无限可能,微信关注“AIGCmagic”公众号,让AIGC科技点亮生活

本文作者:AIGCmagic社区   刘一手

前言

AI多模态大模型发展至今,每年都有非常优秀的工作产出,按照当前模型设计思路,多模态大模型的架构主要包括以下几个部分:

  1. 模态编码器(Modality Encoder, ME):负责将不同模态的输入编码成特征。常见的编码器包括图像的NFNet-F6、ViT、CLIP ViT等,音频的Whisper、CLAP等,视频编码器等。

  2. 输入投影器(Input Projector):负责将其他模态的特征投影到文本特征空间,并与文本特征一起输入给语言模型。常用的投影器包括线性投影器、MLP、交叉注意力等。

  3. 语言模型骨架(LLM Backbone):利用预训练的语言模型,负责处理各种模态的特征,进行语义理解、推理和决策。常用的语言模型包括Flan-T5、ChatGLM、UL2等。

  4. 输出投影器(Output Projector):负责将语言模型输出的信号转换成其他模态的特征,以供后续模态生成器使用。常用的投影器包括Tiny Transformer、MLP等。

  5. 模态生成器(Modality Generator, MG):负责生成其他模态的输出。常用的生成器包括图像的Stable Diffusion、视频的Zeroscope、音频的AudioLDM等。


本文一手会详细解读AI多模态架构中的输入投影器(Input Projector),并从线性投影器(Linear Projector)、多层感知器(Multi-Layer Perception, MLP)和交叉注意力(Cross-Attention)三个角度,总结当前主流的工作方案!

多模态大模型需要处理不同类型的输入数据,如图像、文本、音频等。为了将这些不同的数据转换到一个共同的表示空间,引入了输入投影器。

一、Linear Projector(线性投影器, LP)

线性投影器是一种简单的投影方法,通过线性变换将输入数据映射到目标表示空间。

特点

  • 简单高效:计算速度快,易于实现。

  • 参数少:所需参数较少,适合参数敏感的场景。

优缺点

  • 优点:高效,适合大规模数据处理。

  • 缺点:表达能力有限,无法捕捉复杂的非线性关系。

代码/伪代码表示

线性投影器通常使用一个简单的线性层来实现。假设我们有图像和文本作为输入,需要将它们投影到一个共同的表示空间。

import torch
import torch.nn as nn

class LinearProjector(nn.Module):
    def __init__(self, input_dim, output_dim):
        super(LinearProjector, self).__init__()
        self.linear = nn.Linear(input_dim, output_dim)
    
    def forward(self, x):
        return self.linear(x)

# 示例输入
image_features = torch.randn(32, 2048)  # 32个样本,每个样本2048维
text_features = torch.randn(32, 300)    # 32个样本,每个样本300维

# 投影到相同的表示空间
projector = LinearProjector(2048, 512)
projected_image_features = projector(image_features)

projector = LinearProjector(300, 512)
projected_text_features = projector(text_features)

二、Multi-Layer Perception(多层感知器, MLP)

多层感知器是一种神经网络,由多层线性变换和非线性激活函数组成,能够捕捉输入数据的复杂非线性关系。

特点

  • 非线性:能够表示和捕捉复杂的非线性关系。

  • 层次结构:通过多层结构逐步提取特征,表示数据更好。

优缺点

  • 优点:强大的表示能力,能够捕捉复杂的特征和模式。

  • 缺点:计算复杂度高,训练时间长,容易过拟合。

代码/伪代码表示

多层感知器通过多个线性层和非线性激活函数来实现。

import torch
import torch.nn as nn

class MLPProjector(nn.Module):
    def __init__(self, input_dim, hidden_dim, output_dim):
        super(MLPProjector, self).__init__()
        self.fc1 = nn.Linear(input_dim, hidden_dim)
        self.relu = nn.ReLU()
        self.fc2 = nn.Linear(hidden_dim, output_dim)
    
    def forward(self, x):
        x = self.fc1(x)
        x = self.relu(x)
        x = self.fc2(x)
        return x

# 示例输入
image_features = torch.randn(32, 2048)
text_features = torch.randn(32, 300)

# 投影到相同的表示空间
mlp_projector = MLPProjector(2048, 1024, 512)
projected_image_features = mlp_projector(image_features)

mlp_projector = MLPProjector(300, 512, 512)
projected_text_features = mlp_projector(text_features)

 三、Cross-Attention(交叉注意力)

交叉注意力机制在多模态模型中非常重要,通过计算不同模态间的注意力权重,实现信息的交互和融合。

特点

  • 信息融合:在不同模态间有效地交换和融合信息。

  • 权重自适应:根据输入动态计算注意力权重,更加灵活和智能。

优缺点

  • 优点:在不同模态之间高效地捕捉相关性,适应不同类型的输入。

  • 缺点:计算复杂度较高,尤其在处理长序列输入时。

代码/伪代码表示

交叉注意力通常用于Transformer架构中,以在不同模态间交换信息。

import torch
import torch.nn as nn

class CrossAttention(nn.Module):
    def __init__(self, dim, num_heads):
        super(CrossAttention, self).__init__()
        self.multihead_attn = nn.MultiheadAttention(embed_dim=dim, num_heads=num_heads)
    
    def forward(self, query, key, value):
        attn_output, _ = self.multihead_attn(query, key, value)
        return attn_output

# 示例输入
# 10个图像特征序列,每个特征序列32个时间步,每个时间步512维
image_features = torch.randn(10, 32, 512)  
# 20个文本特征序列,每个特征序列32个时间步,每个时间步512维
text_features = torch.randn(20, 32, 512)   

# 使用交叉注意力
cross_attention = CrossAttention(dim=512, num_heads=8)
# 让图像特征作为query,文本特征作为key和value
projected_features = cross_attention(image_features, text_features, text_features)

总结

  1. 线性投影器简单高效,适用于计算资源有限的场景;
  2. 多层感知器具有强大的表示能力,适用于需要捕捉复杂关系的任务;
  3. 交叉注意力在多模态信息融合中表现出色,尤其适用于需要跨模态交互的任务。

写在后面

如果大家对多模态大模型感兴趣,可以扫码加群学习交流,二维码失效可以添加我的微信:lzz9527288🚀

推荐阅读:

《AIGCmagic星球》,五大AIGC方向正式上线!让我们在AIGC时代携手同行!限量活动
《三年面试五年模拟》版本更新白皮书,迎接AIGC时代
AIGC |「多模态模型」系列之OneChart:端到端图表理解信息提取模型
AI多模态模型架构之模态编码器:图像编码、音频编码、视频编码
AI多模态教程:从0到1搭建VisualGLM图文大模型案例

版权说明:如非注明,本站文章均为 扬州驻场服务-网络设备调试-监控维修-南京泽同信息科技有限公司 原创,转载请注明出处和附带本文链接

请在这里放置你的在线分享代码
«    2024年12月    »
1
2345678
9101112131415
16171819202122
23242526272829
3031
控制面板
您好,欢迎到访网站!
  查看权限
网站分类
搜索
最新留言
    文章归档
    网站收藏
    友情链接