语言模型GPT跨界CV，OpenAI揭示强算力Transformer具有通用性

金磊 贾浩楠 发自 凹非寺
量子位 报道 | 公众号 QbitAI

生成文字的AI和生成图像的AI，竟然是同一个，人工智能要实现通用（AGI）了吗？

语言模型GPT，现在跨界了。

这一次，它要进军CV领域——以Image GPT (简称iGPT)的名义，处理「图像任务」。

那么，这位跨界选手的表现如何呢？

在主流的数据集上，与当前最高精度方法做PK，竟可以刷新纪录，达到SOTA！

简直惊掉了路人下巴：这太疯狂了，而我还在研究自然语言生成（它却已经能生成图像了）。

还有网友脑洞大开：GPT的下一步是不是要生成音乐了？

连名字都想好了——GPT-Music。

莫非，这是要通用人工智能(AGI)的节奏，琴棋书画样样精通？

从语言GPT，到图像GPT

像BERT、GPT-2这样的语言模型，在NLP任务上的成就不用多说，对一维序列的处理能力比较强悍。

但OpenAI的研究人员发现，将它应用到图像上，也就是在像素序列上进行训练，同样也可以得到连贯的完整图像。

举个例子，原始图像是一只小鸡，如下图所示。

当把它的下半部遮挡后作为输入，经过训练之后，生成的图像如下。

可以看到，在生成的一系列图像中，有逼近原始图像的结果。

再来看个猫的例子，原始图像如下。

同样是遮挡一半的图像，生成后得到的图像看起来也是比较完整。

虽然没有生成原始图像中「手」的那部分，但是我们人类看到被遮挡一半的图像，可能也不会联想到这点。

当然，当把那些有名的画作、海报等图像(也遮挡一半)作为输入，生成的图像结果也是较为完整、精确。

「图像生成」的视觉效果如此，那么「图像分类」的实验精度如何？

可以说是依旧强悍，直接上图表。

在比较主流的数据集上做实验，并与目前精度最高的方法作比较，可以看到iGPT在许多结果上超越了前人的方法，达到了SOTA。

而在其它一些数据集上的表现，虽然没有达到前人方法的精度，但也只是「略微逊色」。

所以，跨界的iGPT，是如何取得如此惊人效果的呢？

跨界原理

OpenAI的iGPT使用了一种密集的连接模式，这种模式不会对二位空间结构进行比编码，但其性能却能够超过采用编码的方法。

从结构上看，iGPT分为两个部分，预训练与微调。

在预训练中，分别对自动递减和BERT两个目标进行了探讨，其中，使用序列变换器架构来预测像素，而不是语言标记。

而对图像分类器进行微调，是衡量参数质量的一种方法，具体方法是在模型中增加一个小的分类器，用于优化分类目标并适应所有权重。

预训练

预训练可以看成是一种有利的初始化，也可以看成是与早期stopping结合使用时的正则器。

给定一个未标记的高维度数据集X，由x = (x1, …, xn)组成。从（1，…,n）中选择一个排列π，然后将密度函数度 p(X)的自动回归建模如下：

在处理图像时，选择一个单独的值πi =i，1≤ i ≤n，即光栅顺序。我们通过最小化数据的负对数似然来训练我们的模型：

对于BERT目标，它对一个子序列 M⊂ [1，n]进 行采样，使得每个索引 i 在 M 中出现的独立概率 为0.15。

研究人员称M为的BERT的mask，并通过最小化“蒙面” 元素 x 的负对数似然来训练模型：

编码器结构

Transformer解码器采用输入序列 xi，…，xn 离散token，并对每个位置产生d维映射。

解码器作为 L 块的堆栈实现，其中 l-th产生一个中间嵌入 hl1 , …, hln ，他们的维数也是d， 我们使用变压器解码器块的 GPT-2 公式，它作用于输入张量hl如下：

这其中，层级规范在mlp操作之前，同时，所有的操作都严格地位于残余路径上。这样的方法可以让轻松地对Transformer进行缩放。

只有在attention操作中才会出现跨序列元素的混合，为了保证训练AR目标时的适当调节，需要对attention对数的n×n矩阵应用标准的上三角mask。

当使用BERT目标时，不需要注意对数mask，只需在对输入序列应用内容嵌入后，将M中的位置归零。

此外，由于每个序列元素学习独立的位置嵌入，BERT模型没有位置感应偏差（即它是换位不变的）。

换句话说，任何位置之间的空间关系都必须由模型在训练时学习。对于AR模型来说，情况并不完全如此，因为选择栅格order还固定了一个预先指定的条件排序。

在最后的变换层之后，我们应用一个层规范nL = layer norm(hL)，并从nL学习对数的投影，对每个序列元素处的条件分布进行参数化。在训练BERT时，我们只需忽略未屏蔽位置的logits即可。

微调

微调时，我们在序列维度上对nL池取平均，提取每个样本的d维特征向量：

然后，学习从fL到类对数的投影，目的是减少交叉熵损失Lclf。

虽然在Lclf上进行微调，可以得到较好的下线性能，但实证发现，联合目标的：LGEN+LCLF，LGEN∈{LAR，LBERT}效果更好。

线性探测

提取线性探测的固定特征与微调的类似，只是平均池化并不总是在最后一层。

其中0≤l≤L，实验表明，最佳特征往往位于网络的中间。

和微调一样，将这些中间特征投射到产生类对数上。因为在线性探测时将特征视为固定的，所以这个投影包含了唯一的一个可训练的权重，所以只能优化Lclf 。

思路

虽然监督式预训练是图像分类的主流，但使用大型标签图像数据集既昂贵又耗时。与其进一步扩大标签工作的规模，不如从可用未标记图像集中学习通用表示，并对其进行微调以进行分类。

研究人员使用ImageNet作为大型未标记语料库，以及小型经典标记数据集作为下游任务。对于最大的模型iGPT-XL，使用额外的1亿张未标记的网络图像，对这些图像进行筛选以达到和ImageNet相似的特征。

训练

在预训练iGPT-XL时，使用的数据包大小为64，训练二百万次迭代，对于其他所有模型，我们使用数据包大小为128，训练一百万次次迭代。

使用Adam超参数，β1=0.9，β2=0.95，依次尝试学习速率0.01，0.003，0.001，0.0003，……，一旦最终的验证损失开始增加就停止。

微调时，使用相同的包大小和Adam超参数。

当在ImageNet上运行线性探针时，使用高学习率的SGD。用余弦曲线学习速率进行一百万次迭代训练。最后，当在CIFAR-10，CIFAR-100或STL-10上运行线性探针时，使用L-BFGS算法与先前的结果保持一致 。

跨界表现很强，但仍有局限性

虽然GPT跨界处理图像的表现比较出众，但OpenAI的研究人员也谦虚的自曝「存在一定的局限性」。

这个局限性就是计算量太大：

由于我们使用了语言中GPT-2使用的通用序列transformer，所以我们的方法需要大量的计算量。

在一张Nvidia V100卡上进行iGPT-L训练，大约需要2500天。而在相同情况下，MoCo24模型仅需要70天。

此外，iGPT模型仅能识别生成低分辨率图像，并有一定偏差。

这些偏差是由于数据训练而产生的，例如，模型可能在性别和角色之间建立了关联（即“男性科学家”）。

由于这些缺点，研究人员认为这项工作目前主要是作为概念的演示。

这项工作说明，像GPT-2、BERT这样的语言模型，由于具有简单、通用的特点，在给定足够计算能力的序列Transformer的情况下，可能胜任多个领域的机器学习任务。

iGPT并不是NLP的第一次跨界。前不久Facebook才将Transformer用于图像领域的目标识别。

嗯，语言模型跨界完了CV界，下一步又将挑战什么领域呢？是通用人工智能（AGI）吗？

参考链接：

https://openai.com/blog/image-gpt/

iGPT项目地址
https://github.com/openai/image-gpt