ImageBind-LLM: Multi-modality Instruction Tuning 论文阅读笔记

本文主要基于LLaMA和ImageBind工作，结合多模态信息和文本指令来实现一系列任务。训练中仅使用图像文本信息作为多模态信息提取能力的训练数据（only leverage the vision-language data for multi-modality instruction tuning）。Github代码 link.

Method 方法

对于一个图像文本对，

1. 使用来自ImageBind工作、预训练好、冻结参数的图像encoder来提取全局的图像特征（utilize the frozen image encoder of ImageBind to extract the global image feature）。
2. 使用一个可学习的bind network来对齐 前面ImageBind encoder 和 后面LLaMA的特征空间，得到处理后的transformed image feature（adopt a learnable bind network to align the embedding space between LLaMA and ImageBind’s image encoder）。
3. 将图像特征（多模态数据特征）transformed image feature与LLaMA的文本知识融合：将transformed image feature与LLaMA中每个transformer层的每个word tokens相加（the transformed image feature is added to the word tokens at all transformer layers in LLaMA）。并且设置了一个初始值为0、可学习的门参数$g_{zero}$来控制特征融合的程度，
   $T^j=T_I?g_{zero}+T{}_W{}^j$
   门参数的设置可以使得模型训练初期保持稳定，门参数的数值一般随着训练会逐渐增加。

所以整个模型可以分为两个阶段的训练，

1. vision-language pretraining on image-caption data to learn the image-conditioned response capacity
   基于ImageBind的encoder，模型也可以理解图像之外其他模态的信息
2. multi-modality instruction tuning on visual instruction data
   基于non-instruction model LLaMA，输入文本指令(language instruction)来学习长句生成能力（long-sentence generation quality）。本阶段仅使用图像文本数据来微调模型，并且冻结Imagebind encoder和Bind network的参数。

Bind Network

主要作用是对齐ImageBind和LLaMA之间的特征空间。

代码实现：

import torch
import torch.nn as nn
import torch.nn.functional as F

# Define the RMSNorm 
class RMSNorm(torch.nn.Module):
    def __init__(self, dim: int, eps: float = 1e-6):
        super().__init__()
        self.eps = eps
        self.weight = nn.Parameter(torch.ones(dim))

    def _norm(self, x):
        return x * torch.rsqrt(x.pow(2).mean(-1, keepdim=True) + self.eps)

    def forward(self, x):
        output = self._norm(x.float()).type_as(x)
        return output * self.weight
      

# Define the repeated feedforward block in bind network 
class FeedForwardBlock(nn.Module):
    def __init__(self, dim: int, hidden_dim: int):
        super().__init__()

        # normalize the input 
        self.norm = RMSNorm(dim)

        # Define 3 linear projection layers whose parameters are w1, w2 and w3 respectively.
        self.w1 = nn.Linear(dim, hidden_dim, bias=False)
        self.w2 = nn.Linear(dim, hidden_dim, bias=False)
        self.w3 = nn.Linear(hidden_dim, dim, bias=False)

    def forward(self, x):
        # cascade linear linears with RMSNorm, SiLU activation functions and residual connections
        x = self.norm(x)
        return x + self.w3(F.silu(self.w1(x)) * self.w2(x))

class bind_network(nn.Module):
    def __init__(self, args):
        super.__init__()
        self.image_dim = args.image_dim # e.g., 1024, encoded by ImageBind
        self.model_dim = args.model_dim # e.g., 4096
        self.ffn_dim = self.model_dim * 4 # 

        self.linear_0 = nn.Linear(self.image_dim, self.model_dim)

        self.feed_forward_1 = FeedForwardBlock(dim=self.model_dim, hidden_dim=self.ffn_dim)
        self.feed_forward_2 = FeedForwardBlock(dim=self.model_dim, hidden_dim=self.ffn_dim)
        self.feed_forward_3 = FeedForwardBlock(dim=self.model_dim, hidden_dim=self.ffn_dim)

    def forward(self, image_feature):
        # image_feature, (1,C1) / (1,image_dim)
        
        # Adopt the linear projection layer at first
        image_feature = self.linear_0(image_feature) # image_feature, (1, model_dim)

        # Cascade 3 projection blocks 
        image_feature = self.feed_forward_1(image_feature)
        image_feature = self.feed_forward_2(image_feature)
        transformed_image_feature = self.feed_forward_3(image_feature)
        return transformed_image_feature 

RMSNorm的原理及与Layer Norm的对比

计算过程，对于输入向量$x\in R^m$，

1. 首先计算输入向量与权重矩阵的加权和，
   
2. 标准化 Normalization

LayerNorm的计算方法，

RMSNorm的计算方法，

故RMSNorm完整减少了计算加权和平均值μ的步骤，保证模型与输入向量和权重解耦、训练过程中梯度稳定及模型收敛速度的前提下，减少了额外的计算开销，加速7%~64%的网络训练（具体的提升指标受硬件、网络结构、其他部分计算开销等影响）。

3. 加上偏置和激活函数，获得该层的输出
   

Related Word / Prior Work

LLaMA-Adapter

模型输入图像 (image inputs)，输出文本(language responses)。

Pipeline：

1. 使用预训练好的encoder来提取图像特征；
2. 将图像特征输入LLaMA进行微调。具体的实现方法是将图像特征作为token，拼接到LLaMA输入的word tokens前（LLaVA和MiniGPT-4中也使用同样的concat做法，这样导致数据长度变长、需调用self-attention mechanism，所以会导致额外的计算和训练难度的提示）；并且在每一个attention layer前，设置一个初始值为0的、可学习的门参数(zero-initialized gating factor)来调节特征拼接的程度。

局限：只能解决简单的视觉问答(visual question answering scenarios)问题，例如ScienceQA

联系我们

OceanneDLG@outlook.com