多模态人工智能是一种新型 AI 范式，是指图像、文本、语音、视频等多种数据类型，与多种智能处理算法相结合，以期实现更高的性能。

近日，PyTorch 官方发布了一个 domain library–TorchMultimodal，用于 SoTA 多任务、多模态模型的大规模训练。

该库提供了：

• 可组合的 building block（module、transforms、损失函数）用于加速模型开发

• 从已发表的研究、训练及评估脚本中提取的 SoTA 模型架构 (FLAVA, MDETR, Omnivore)

• 用于测试这些模型的 notebook

TorchMultimodal 库仍在积极开发中，详情请关注：
https://github.com/facebookresearch/multimodal#installation

TorchMultimodal 开发背景

随着技术的进步，能理解多种类型输入（文本、图像、视频和音频信号），并能利用这种理解来生成不同形式的输出（句子、图片、视频）的 AI 模型越来越引发关注。

FAIR 最近的研究工作（如 FLAVA、 Omnivore 和 data2vec）表明，用于理解的多模态模型与单模态模型相比更有优势，并且在某些情况下正在开创全新的 SOTA。

类似 Make-a-video 以及 Make-a-scene 这样的生成模型，正在重新定义现代人工智能系统的能力边界。

为了促进 PyTorch 生态中多模态 AI 的发展， TorchMultimodal 库应运而生，其解决思路为：

• 提供可组合的 building block， 利用这些 building block，研究人员可以在自己的工作流中加速模型开发和试验。模块化设计也降低了迁移到新模态数据的难度。

• 提供了用于训练和评估研究中最新模型的端到端示例。 这些示例中用到了一些高阶特性，如集成 FSDP 和用于扩展模型及批尺寸的 activation checkpointing。

初识 TorchMultimodal

TorchMultimodal 是一个 PyTorch domain library，用于多任务多模态模型的大规模训练。 它提供：

1. Building Block

模块及可组合 building block 集合，如模型、融合层、损失函数、数据集和实用程序，例如：

• 温度对比损失 (Contrastive Loss with Temperature)： 常用于训练模型的函数，如 CLIP 和 FLAVA。此外还包括在 ALBEF 等模型中使用的 ImageTextContrastiveLoss 等变量。

• Codebook layer： 通过向量空间中的最近邻查找压缩高维数据，它也是 VQVAE 的重要组成部分。

• Shifted-window Attention： window 基于 multi-head self attention，是 Swin 3D Transformer 等编码器的重要组件。

• CLIP 组件： 由 OpenAI 发布，是一个在学习文本和图像表征方面非常有效的模型。

• Multimodal GPT： 与生成程序结合时，可将 OpenAI 的 GPT 架构扩展为更适合多模态生成的抽象。

• MultiHeadAttention： 基于 attention 的模型的一个关键组件，支持 auto-regressive 和 decoding。

2. 示例

一组示例展示了如何将 building block 与 PyTorch 组件和公共基础设施 (Lightning, TorchMetrics) 结合，从而复制文献中发表的 SOTA 模型。目前提供了五个示例，其中包括:

• FLAVA： CVPR 接收论文的官方代码，包括一个关于 FLAVA 微调的教程。

  查看论文：https://arxiv.org/abs/2112.04482

• MDETR： 与 NYU 的作者合作提供了一个例子，减轻了 PyTorch 生态系统中互操作性 (interoperability) 痛点，包括一个使用 MDETR 进行 phrase grounding 和可视化问答的 notebook。

  查看论文：https://arxiv.org/abs/2104.12763

• Omnivore： TorchMultimodal 中处理视频和 3D 数据的模型的第一个例子，包括用于探索模型的 notebook。

  查看论文：https://arxiv.org/abs/2204.08058

• MUGEN： auto-regressive 生成和检索的基础工作，包括使用 OpenAI coinrun 丰富的大规模合成数据集生成和检索 text-video 的 demo。

  查看论文：https://arxiv.org/abs/2204.08058

• ALBEF： 模型代码，包括用该模型解决视觉问答问题的 notebook。

  查看论文：https://arxiv.org/abs/2107.07651

以下代码展示了几个与 CLIP 相关的 TorchMultimodal 组件的用法:

# instantiate clip transform
clip_transform = CLIPTransform()

# pass the transform to your dataset. Here we use coco captions
dataset = CocoCaptions(root= ..., annFile=..., transforms=clip_transform)
dataloader = DataLoader(dataset, batch_size=16)

# instantiate model. Here we use clip with vit-L as the image encoder
model= clip_vit_l14()

# define loss and other things needed for training
clip_loss = ContrastiveLossWithTemperature()
optim = torch.optim.AdamW(model.parameters(), lr = 1e-5)
epochs = 1

# write your train loop
for _ in range(epochs):
  for batch_idx, batch in enumerate(dataloader):
    image, text = batch
    image_embeddings, text_embeddings = model(image, text)
    loss = contrastive_loss_with_temperature(image_embeddings, text_embeddings)
    loss.backward()
    optimizer.step()

安装 TorchMultimodal

Python ≥ 3.7，安不安装 CUDA 支持均可。

以下代码以安装 conda 为例

前提条件

1. 安装 conda 环境

conda create -n torch-multimodal python=\<python_version\>
conda activate torch-multimodal

2. 安装 PyTorch、torchvision 以及 torchtext

参阅 PyTorch 文档：
https://pytorch.org/get-started/locally/

# Use the current CUDA version as seen [here](https://pytorch.org/get-started/locally/)
# Select the nightly Pytorch build, Linux as the OS, and conda. Pick the most recent CUDA version.
conda install pytorch torchvision torchtext pytorch-cuda=\<cuda_version\> -c pytorch-nightly -c nvidia

# For CPU-only install
conda install pytorch torchvision torchtext cpuonly -c pytorch-nightly

从二进制文件安装

在 Linux 上，适用于 Python 3.7、3.8 和 3.9 的 Nightly binary 可通过 pip wheels 安装。目前只通过 PyPI 支持 Linux 平台。

python -m pip install torchmultimodal-nightly

源码安装

开发者也可以通过源码构建并运行示例：

git clone --recursive https://github.com/facebookresearch/multimodal.git multimodal
cd multimodal

pip install -e .

以上就是关于 TorchMultimodal 的简单介绍。除代码外，PyTorch 官方还发布了一个关于微调多模态模型的基础教程， 以及一篇关于如何使用 PyTorch Distributed PyTorch (FSDP and activation checkpointing) 技术扩展这些模型的 blog。

后续我们将针对这篇 blog 进行汉化整理。欢迎持续关注 PyTorch 开发者社区公众号！

—— 完 ——