多模态大语言模型（MLLM）-InstructBlip深度解读

前言

InstructBlip可以理解为Blip2的升级版，重点加强了图文对话的能力。
模型结构和Blip2没差别，主要在数据集收集、数据集配比、指令微调等方面下文章。

创新点

• 数据集收集： 将26个公开数据集转换为指令微调格式，并将它们归类到11个任务类别中。使用了其中13个数据集来进行指令微调，另外13个数据集用于zero-shot评估。
• 数据集配比：提出了一种平衡采样策略，以同步不同数据集间的学习进度。
• 模型改进：提出了指令感知的视觉特征提取，能够根据输入文本，提取特定的图像特征。说白了，就是文本不仅输入到LLM，也输入到Q-Former，Q-Former的输出再又给到LLM。
• 评估并开源了一系列InstructBLIP模型，使用了两类大型语言模型：1) FlanT5，一种基于T5 微调得到的encoder-decoder模型；2) Vicuna，一种基于LLaMA微调得到的decoder模型。InstructBLIP模型在广泛的视觉-语言任务上实现了最先进的零样本性能。

具体细节

数据集收集

总共收集了11个任务类别（例如image captioning、visual reasoning等），26个数据集，如下：

数据集需要转化为图文指令微调的形式，用于多模态大语言模型的训练。
举个例子，在image classification任务中，图片A的类别是狗，数据的组织形式要转换成
问题：图片A，请问图片的类别是什么
回答：类别是狗
针对不同的任务类型，有多样化模板来进行数据的形式转换，如下：

训练测试数据划分

26个数据集中，13个用于训练，另外13个用于测试
按照对zero-shot影响深浅，评测集分为两类

• 训练集有同一任务的其他数据集
• 训练集无同一任务的其他数据集

数据集配比

因数据集较多，直接均匀分布可能会导致模型对小数据集过拟合，而对大数据集欠拟合。
为了解决这个问题，提出了一种采样策略，即按照数据集大小（或训练样本数）的平方根成比例的概率来选择数据集。
给定D个数据集，其大小分别为{S1, S2, …, SD}，从数据集d中选取一个训练样本的概率

模型优化

从模型结构上看，和Blip2一模一样。。。
Instruction指用户的问题，有两个输入位置：

• Q-Former：上一篇博客说到，左列输入图像，右列输入文本（Instruction），提取的是多模态特征，相较于Blip2仅输入图像效果肯定是更好的
• LLM：Q-Former的输出、Instruction在embedding层面融合，输入到LLM中

class BertEmbeddings(nn.Module):"""Construct the embeddings from word and position embeddings."""def __init__(self, config):super().__init__()self.word_embeddings = nn.Embedding(config.vocab_size, config.hidden_size, padding_idx=config.pad_token_id)self.position_embeddings = nn.Embedding(config.max_position_embeddings, config.hidden_size)# self.LayerNorm is not snake-cased to stick with TensorFlow model variable name and be able to load# any TensorFlow checkpoint fileself.LayerNorm = nn.LayerNorm(config.hidden_size, eps=config.layer_norm_eps)self.dropout = nn.Dropout(config.hidden_dropout_prob)# position_ids (1, len position emb) is contiguous in memory and exported when serializedself.register_buffer("position_ids", torch.arange(config.max_position_embeddings).expand((1, -1)))self.position_embedding_type = getattr(config, "position_embedding_type", "absolute")self.config = configdef forward(self,input_ids=None,position_ids=None,query_embeds=None,past_key_values_length=0,):if input_ids is not None:seq_length = input_ids.size()[1]else:seq_length = 0if position_ids is None:position_ids = self.position_ids[:, past_key_values_length : seq_length + past_key_values_length].clone()if input_ids is not None:embeddings = self.word_embeddings(input_ids)if self.position_embedding_type == "absolute":position_embeddings = self.position_embeddings(position_ids)embeddings = embeddings + position_embeddingsif query_embeds is not None:embeddings = torch.cat((query_embeds, embeddings), dim=1)else:embeddings = query_embedsembeddings = self.LayerNorm(embeddings)embeddings = self.dropout(embeddings)return embeddings

可以看到

            if query_embeds is not None:embeddings = torch.cat((query_embeds, embeddings), dim=1)

作者重写了bert embedding层的代码，将query_embeds（可理解为Q-Former的输出）和embeddings（可理解为Instruction的文本embedding） concat起来

推理策略

对于不同的任务类别，采用不同的推理策略

• 对于绝大部分任务，例如image captioning以及开放域VQA任务，采用传统的transformer解码方式生成回答
• 对于classification或multi-choice VQA这种回复内容受限的任务，生成时限制解码的词表，保证回复范围不超过规定范围。（例如多选任务里，回答只能约束在A B C D四个选项）

实验结果

zero-shot对比

从图标上看，效果确实比Blip2，flamingo要好。不过InstructBlip在Blip2的基础上加了这么多数据训练，效果没道理差。

消融实验

不把instruction送到Q-Former，效果确实差了很多
同时，不做数据配比，效果也差了一些

指令微调 VS 多任务学习

指令微调在实现的时候，利用了13个数据集来训练。一个比较类似的算法是多任务学习，也能够实现多个数据集的学习。
为比较效果，做了如下多任务学习实验：

• 训练用原任务input-output数据，测试用InstructBlip指令
• 训练在input前添加数据集名称，测试用InstructBlip指令
• 训练在input前添加数据集名称，测试在input前添加数据集名称
  
  有两个观察
• 多任务学习和InstructBlip在held-in 数据集上，效果差不多。held-in数据可以理解为训练和测试均来自同一数据集，说明
• InstructBlip在held-out数据集上远优于多任务学习，held-out数据集指模型在训练时没见过这个数据集，直接跨数据集。

---

笔者会持续关注多模态大语言模型（MLLM），对底层原理、经典论文、开源代码都会进行详细解读，欢迎交流学习。