大家好，我是极智视界，本文整理介绍一下 Transformer ViT CLIP BLIP BERT 模型结构。
这几个模型都跟 变形金刚 相关，Transformer 是最开始的，然后像 ViT、CLIP、BLIP、BERT 都会用到 Transformer Encoder 模块，其中 ViT、CLIP、BLIP 是多模态模型，BERT 是 NLP 大模型。
Transformer
Paper：《Attention Is All You Need》
- encoder-decoder ==> 编码器 (6x) 一个词一个词往外蹦，解码器 (6x) 一次性看清整个句子；
- Multi-Head Attention ==> 一次性关注全局，多通道类比卷积；
- Masked Multi-Head Attention == > 在 t 时刻，掩盖 t 时刻以后的输入；
- Feed Forward ==> MLP；
ViT
Paper：《AN IMAGE IS WORTH 16X16 WORDS: TRANSFORMERS FOR IMAGE RECOGNITION AT SCALE》
- Patch + Position Embedding ==> 打成块 (步长 = 核长的卷积) + 位置编码 + 类别编码；
- Transformer Encoder ==> 图像提特征 ；
- MLP Head ==> 分类头
- Multi-Head Attention ==> linear 实现；
CLIP
Paper：《Learning Transferable Visual Models From Natural Language Supervision 》
- encoder-encoder ==> Image Encoder (Vit / Resnet)，Text Encoder (transofer encoder)；
- Contrastive pre-training ==> 对比学习，自监督；
- zero-shot == > 迁移学习；
BLIP
Paper：《BLIP: Bootstrapping Language-Image Pre-training for Unifified Vision-Language Understanding and Generation 》
- MED ==> Image Encoder (ViT)，Text Encoder (BERT)，Image-grounded Text encoder (变种BERT)，Image-grounded Text decoder (变种BERT)；
- Image Encoder (ViT) ==> 视觉图像特征提取；
- Text Encoder (BERT) ==> ITC (Image-Text Contrastive Loss)，对齐 图像-文本 特征空间；
- Image-grounded Text encoder (变种BERT) ==> 于 Bi Self-Att 和 Feed Forward 之间插入 Cross Attention (CA) 模块，以引入视觉特征， ITM (Image-Text Matching Loss)，用来预测 图像-文本对 是 正匹配 还是 负匹配；
- Image-grounded Text decoder (变种BERT) ==> 将 Image-grounded Text Encoder 结构中的 Bi Self-Att 替换为 Causal Self-Att，LM (Language Modeling Loss) ，用来生成给定图像的文本描述；
- Captioner ==> 字幕器，用于生成给定 web 图像的字幕；
- Filter ==> 过滤器，用于去除噪声 图像-文本 对；
BERT
Paper：《BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding》
- Input Embeddings ==> Token Embeddings，Segment Embeddings，Position Embeddings；
- Masked LM ==> 完形填空，双向；GPT 单向；
- Next Sentence Prediction (NSP) ==> 句子对；
好了，以上整理分享了 Transformer ViT CLIP BLIP BERT 的模型结构。希望我的分享能对你的学习有一点帮助。
