一个模型处理多种模态和工作，商汤等提出Uni-Perceiver，迈向通用预训练感知模型

人脑可以整合分别模态的信息，并同时处理各项工作来感知世界。相比之下，当前机器学习研究者多是为分别的工作开发分别的模型和算法，并在特定于工作的数据上从事训练。然而，这种特定于工作的方法会大大增加为新工作开发模型的边际成本，无法满足快速增长的应用场景的需求。本文的研究者们希望提出一种通用感知架构，通过在多模态大规模数据上从事预训练得到良好的表征，并对分别下流工作运用同一套预训练参数；在应用于下流工作时，模型无需额外数据，或仅需少量的数据即可达到良好的效果。研究者们的核心想法是将分别模态的数据编码到同一的表示空间中，并将分别工作同一为相同的形式。这种同一的设计鼓励了分别模态和工作在表示学习中的协作，并且可以更好地将预训练中学到的知识迁移到下流工作中。由于工作形式的同一，该模型甚至可以对预训练阶段没有见过的新工作从事 zero-shot 推理。基于此想法，来自商汤、西安交通大学等机构的研究者们提出了 Uni-Perceiver 。

论文地址：https://arxiv.org/pdf/2112.01522.pdf图 1 对比了 Uni-Perceiver 和现有的为特定工作设计和训练的模型。Uni-Perceiver 以同一的模型处理各种模态和工作，在各种单模态工作以及多模态工作上从事了预训练。在下流工作上，由于对分别工作运用了同一的建模，模型显示了没有见过的新工作的 zero-shot 推理能力，不经任何额外训练也能达到合理的功能。此外，通过运用 1% 的下流工作数据从事 prompt tuning，模型功能可以提升到接近 SOTA 的水平。运用 100% 的标的数据对预训练模型从事微调时，Uni-Perceiver 在几乎所有工作上都达到了与 SOTA 方法相当或更好的结果。

图 1 现有的特定于工作的感知模型和 Uni-Perceiver 的比较方法1. 同一的通用感知模型Uni-Perceiver 的同一模型架构如图 2 所示。模型首先将文本、图象、视频分别模态的数据运用对应的 tokenizer 转换为具有同一特征维度的 token 序列，并将分别模态的信息拼接起来，运用一个同一的 Transformer 编码器提取特征。对于分别的感知工作，Uni-Perceiver 运用相同的模型和共享的一套参数从事建模。相比于传统 backbone + prediction head 的范式，Uni-Perceiver 不包括对每个工作单独设计的 head，而是将分别的工作建模为同一的形式。具体而言，对于每个工作，可以定义其输入鸠合和候选标的鸠合。对于给定的输入，工作被定义为寻找x在候选标的鸠合中最相似的标的，即

其中，p ( x , y ) 表示输入和候选标的的联合概率分布。Uni-Perceiver 运用特征的余弦相似度建模联合概率分布，即

其中，表示 Transformer 编码器，表示一个可学习的温度系数。Uni-Perceiver 适用于任意由图象 / 视频 / 文本组成输入和候选标的鸠合的工作。例如，分类工作中的标的鸠合可以是一组类别名（如 dog）、一组类别描述（如 a kind of fish living in deep sea），甚至可以是一组手写的类别编号的图象。除此之外，作者在文中提到，这篇论文专注于文本、图象和视频模态，但 Uni-Perceiver 也可拓展到更多模态上。

图 2 同一模型架构2. 多模态预训练为了学习多模态的通用 representation，Uni-Perceiver 运用一系列单模态或跨模态工作从事了预训练。值得一提的是，在图象和视频分类工作中，作者将类别名称视作文本内容，这为连接起图象、视频和文本多个模态的 representation 提供了一定的监督。图 3 展示了分别预训练工作的 input 和 target 的序列格式。图中，上标I、V、T分别代表来自图象、视频和文本模态的 token。

图 3 预训练工作格式3. 应用于下流工作：Zero-shot, Prompt Tuning 和 Fine-tuning相比于额外增加 prediction head 并 finetune 的方式，Uni-Perceiver 可将预训练模型更高效地迁移到下流工作上。本文中，作者考虑三种分别场景：零样本（Zero-shot），少样本（Few-shot）和全量数据，并对三种情况分别介绍。在新工作上的 Zero-shot 推理：Uni-Perceiver 可以对预训练阶段没有见过的全新工作从事零样本推理，在不经过任何额外训练和调整的情况下取得合理的效果。Prompt Tuning：在下流工作数据量有限的场景下，通过 Prompt Tuning，Uni-Perceiver 可以在仅调整小部分模型参数的情况下取得接近全数据 SOTA 的结果。Fine-tuning：当下流工作数据量足够时，Uni-Perceiver 的预训练模型可以通过 fine-tuning 取得超过 SOTA 或与 SOTA 不相上下的结果。实验Uni-Perceiver 在表 1 所示的大规模单模态和多模态数据集上从事了训练。实验中，作者运用与 BERT-base 相同配置的 Transformer 编码器。在每次迭代中，每个 GPU 独立采样工作和数据集，并在梯度反向传播之后同步分别 GPU 之间的梯度。该模型在 128 个 Tesla V100 GPU 上以分布式方式从事了 50 万次迭代的预训练。

表 1 预训练数据集研究者接下来在多项工作上对预训练模型从事了评估，包括预训练中出现过的工作（Image Classification, Image-Text Retrieval, Image Caption）以及与预训练分别的工作（Video Caption, Video-Text Retrieval, VQA）。表 2 – 表 8 展示了这些结果。实验表明，和具有相似模型尺寸的 task-specific SOTA 方法相比：

在不经任何调整的情况下，Uni-Perceiver 即可以达到合理的精度。值得注意的是，对于预训练中不存在的工作，由于 task-specific head 的限制，现有的其他工作无法执行这种类型的 zero-shot 推理。

通过 1% 的数据对少量模型参数从事 Prompt Tuning，Uni-Perceiver 即可以接近 SOTA 的效果。

进一步全数据 Fine-tune 可以使模型在某些工作上超过 SOTA 结果，并在其他工作上取得与 SOTA 相媲美的精度。