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

〔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