Clever Geek Handbook

Armando redes neuronales. Clasificador de animales de dibujos animados. Sin datos y en 5 minutos. CLIP: Aprender sin aprender + Código

Tutorial: Armado de una red neuronal usando el ejemplo de la clasificación de animales dibujados en el modo "aprendizaje sin entrenamiento" .





: , , CLIP  OpenAI.





: :    .





CLIP  OpenAI — , , ! , CLIP . CLIP : .





: , . " ". TensorFlow , PyTorch . . . , OpenAI CLIP? , , Python, . ? . + : ! !





, ( CLIP) , . .





,  « » — - , .









?

.





10 . . , ( 1), , CLIP . , CLIP.





:





Diferencia entre el enfoque de clasificación clásico y el enfoque CLIP híbrido
CLIP

CLIP OpenAI:





,    ,  , . . CLIP . , . , : a photo of a plane, a photo of a car, a photo of a dog, …, a photo of a bird. CLIP  , , a photo of a dog. , , (, ) , . ,     ,  !





, :  photo of a ____  a centered satellite photo of ____.  ,   .  ,   !  — .





: CLIP, , , :





CLIP OpenAI: , .





— , ! !





: CLIP

  • Colab. PyTorch 1.7.1.





  • CLIP.  .





  • .  .





  • .  " " !





  • .  .





  • Beyond the Infinite.  ?





>> Colab: . . 5 . <<





Colab

colab, , runtime c . , «GPU» Runtime > Change Runtime Type. PyTorch 1.7.1.





CLIP

CLIP, 400 -.    ( ViT-B/32 CLIP). model.pt CLIP: Visual Transformer2 "ViT-B/32" + Text Transformer





: CLIP: Visual Transformer "ViT-B/32" + Text Transformer

  • Model parameters: 151,277,313





  • Input resolution: 224





  • Context length: 77





  • Vocab size: 49408









CLIP Visual Transformer "ViT-B/32", , 224x224 . . , 400 - .





Text Transformer CLIP . . ontext length, .





, CLIP.





10 . (cosine similarity ).





Matriz de similitud de coseno por elementos entre pares de representaciones vectoriales de imágenes y descripciones de texto
cosine similarity 
# image_encoder - Vision Transformer
# text_encoder - Text Transformer
# I[n, h, w, c] - minibatch of aligned images
# T[n, l] - minibatch of aligned texts
# W_i[d_i, d_e] - learned proj of image to embed
# W_t[d_t, d_e] - learned proj of text to embe

# extract feature representations of each modality
I_f = image_encoder(I) # [n, d_i]
T_f = text_encoder(T) # [n, d_t]

# joint multimodal embedding [n, d_e]
I_e = l2_normalize(np.dot(I_f, W_i), axis=1)
T_e = l2_normalize(np.dot(T_f, W_t), axis=1)

# scaled pairwise cosine similarities [n, n]
logits = np.dot(I_e, T_e.T)

Numpy-like pseudocode CLIP. CLIP OpenAI: , : https://habr.com/ru/post/539312/





, cosine similarity, . , CLIP .





this is a painting of cartoon ________.





?

. cosine similarity -, , , , . . , . . Text Transformer .





Cosine similarity — , ( , L2) . , . .





, , - . OpenAI c CLIP logistic regression ResNet-50,   , , CLIP 16 27 baseline ( ).





CLIP .

  CLIP baseline ( logistic regression ResNet-50),   . 27 . CLIP baseline , 16 27 ,  ImageNet! - ResNet-50. , CLIP baseline  Kinetics700  UCF101  " ". , .





, . .





, , — ( ). adventure time, , .





. . . Colab.





. — . . , - ( ). . .









Beyond the Infinite

:





  1. PyTorch CLIP ~ 30





  2. url colab ~ 30





  3. 10- + ~ 3





  4. 1 c_pickle_ () text_features /= text_features.norm(dim=-1, keepdim=True)



    ~ 1





, , , . , . BiT3 . CV .





, CLIP — NLP CV. , , , , "" . , , NLP, : Vision Transformers.  few-shot  zero-shot learning  nlp cv . , , !





, . 6 64, . , , . : , PoC , — ( ) .





Colabore con el código "Poner CLIP: Aprender sin aprender. Clasificador de animales a partir de dibujos animados".
Colab c " CLIP: . ."

, , :





Colab: . . 5 .





.





2020- . , , ,





YouTube-: : ?  “ ”





  1.  zero-shot CLIP  BiT-M 16-shot linear probes. , few-shot learning CLIP, , linear probes . - , Big Transfer (BiT).





  2. Vision Transformers . . CLIP CLIP-ViT Vision Transformer'. 224x224 : ViT-B/32, ViT-B/16, ViT-L/14, ViT-L/14, fine-tune 336336.





  3. Big Transfer (BiT): General Visual Representation Learning - https://arxiv.org/abs/1912.11370v3









! , .  !





CLIP ? " " ? , -, ? ? - ? " "? ? !







More articles:


All Articles