Axuanz的学习日记

Pytorch ddp多卡训练踩坑(1)

多卡训练的时候发现一个问题：cuda() 方法会无视环境变量CUDA_VISIBLE_DEVICES。示例如下： CUDA_VISIBLE_DEVICES="3,4,5,6" python -m torch.distributed.launch --nproc_per_node=${N_GPUS} train.py --config_option <your_config_here> 这边指定了可见显卡为3-6号，然而如果在代码里出现cuda()，模型/数据还是会load到0卡(default)。 # load to GPU_0 model.cuda() model = torch.nn.parallel.DistributedDataParallel( model, device_ids=[local_rank], broadcast_buffers=False, find_unused_parameters=False) sample.cuda() 解决方案1，初始化ddp的时候设置默认cuda设备，然而这个方法对我没用。 torch.cuda.set_devi

深度学习 · 2023-11-10 · 377 人浏览

ALBEF and BLIP 简述

ALBEF paper : http://arxiv.org/abs/2107.07651 BLIP paper : http://arxiv.org/abs/2201.12086 BLIP code : https://github.com/salesforce/BLIP ALBEF 网络结构如下，这篇算得上BLIP/BLIP2的前身了，其三个Loss一直延续至今(当然MLM变成了LM)。具体三个Loss的介绍可以看BLIP2 - JJJYmmm Blog，有以下几个特别点： ITC Loss采用了MOCO的形式，即通过一个momentum encoder来扩大负样本的数量，这也是多了一个momentum model的原因。论文还从模型蒸馏的角度对momentum model做了进一步改进，例如在计算ITC和MLM时引入了伪标签这里对于文本理解任务，采用的是MLM而不是LM，可能是因为MLM任务相比于LM任务更简单，因为模型只需要预测被mask的单词即可在计算ITC时得到的Image-Text Similarity可以挑选出hard negatives，专门去做ITM；这个方法

深度学习·计算机视觉 · 2023-11-04 · 606 人浏览

ALBEF and BLIP 简述

BLIP2

Repository：https://github.com/salesforce/LAVIS/tree/main/projects/blip2 预训练结构第一阶段网络结构如下图。对于图像特征，采用DETR类似的思路，使用Learned Queries作为输入，Image Features作为cross attention的KVs，希望通过可学习的参数来抽取与文本更相关的视觉特征对于文本特征，采用传统的Bert Encoder思路对于多模态特征的融合，与双流模型不同，这里两个Encoder的self attention层是共享参数的，当然与单流模型也不同，因为FFN不共享参数，且视觉特征提取时还会走cross attention层训练采用的三个Loss函数(ITG/ITM/ITC)主要参考之前的ALBEF工作。 Image-Text Contrastive : 这部分的目的主要是对齐图像特征和文本特征的单模态特征，计算方法类似CLIP。与ALBEF不同的是，这里的negative pairs直接采用in-batc方式得到，并没有像ALBEF那样借鉴MOCO得到一个较大

深度学习·计算机视觉 · 2023-11-04 · 849 人浏览

BLIP2

CLIP(Contrastive Language-Image Pre-training)

找到一个Github star比较多的CLIP跑起来玩一下。结果发现挺多坑的......(我发现Shariatnia好像很喜欢在Jupyter改代码，却不把改动更新到源文件) 项目地址：https://github.com/moein-shariatnia/OpenAI-CLIP 关于Loss的一些问题 CLIP网络的输入是一个个图像-文本对，对于一个batch_size=8的输入，总共有8个正样本对和56个负样本对。于是我们可以使用torch.eye来创建标签值。在这个项目中，由于Flicker-8k数据集较小，而且一张图片对应5个caption，所以作者使用文本(图像)之间的相似度作为标签，如下代码块。 targets = F.softmax( (images_similarity + texts_similarity) / 2 * self.temperature, dim=-1) texts_loss = cross_entropy(logits, targets, reduction='none') images_loss

深度学习 · 2023-10-24 · 422 人浏览

CLIP(Contrastive Language-Image Pre-training)

Axuanz 2023-10-21

突然发现MathJax的inline parse没用了？不知道是不是和更新的主题有关，大家看到$JJJY_{mmm}$就先自我脑补下标吧...

Theme Jasmine by Kent Liao