背景

在过去的几年里，大规模视觉语言预训练模型（VLM）如CLIP和Florence）出现了显著的激增。因此，研究人员积极探索方法，以有效地将这些大型模型适应其特定领域。像CLIP这样的大规模视觉语言预训练模型的兴起，再加上参数高效微调（PEFT）技术，在视频动作识别中引起了极大的吸引力。然而，主流方法倾向于优先考虑强监督性能，以牺牲模型在传输过程中的泛化能力为代价。本文介绍了一种新的多模态、多任务CLIP自适应框架M2-CLIP，以应对这些挑战，同时保持高监督性能和鲁棒可转移性。

首先，为了增强个体模态架构，作者为视觉和文本分支引入了多模态适配器。

具体来说，作者设计了一种新颖的视觉TED适配器，该适配器执行全局时间增强和局部时间差建模，以提高视觉编码器的时间表示能力。此外，我们采用文本编码器适配器来加强语义标签信息的学习。其次，我们设计了一个具有丰富监督信号集的多任务解码器，以熟练地满足在多模式框架内对强监督性能和泛化的需求。如下图1所示结果验证了M2-CLIP的方法的有效性，证明了其在监督学习中的卓越性能，同时在零样本场景中保持了强泛化。

方法介绍

本文的模型M2-CLIP由视频编码器、文本编码器和多任务解码器组成，其中两个编码器的主干被冻结，并由提出的可训练TED适配器和文本适配器辅助。多任务解码器有四个不同的头，分别是 :

（a） 原始的对比学习头，旨在对齐成对的视频文本表示。

（b）跨模态分类标题，可以突出跨模态特征的判别能力。

（c） 在文本分支的最后一层设计了一个跨模态掩码语言建模头，促进了视觉特征对动词识别的关注。

（d）视觉特征分类器，以方便区分不同类别的视觉特征。

它们利用多任务约束来改善整个多模态框架的联合表示。具体可由下图所示

此外图（b）还展示了所提出适配器的详细结构，其中L=1+M和h×w=M。

实验结果

如图1和图2所示作者在两个主要数据集中评估了M2-CLIP用于监督学习：Kinetics-400（K400）（Kay等人2017）和Something-Something-V2（SSv2）（Goyal等人2017).为了进行泛化评估，作者在UCF101（Soomro、Zamir和Shah 2012）和HMDB51（Kuehne等人2011）上测试了M2 CLIP模型。并采用基于ViT-B/16的CLIP作为骨干，并在训练和推理过程中使用8、16或32帧的稀疏帧采样策略。

表1:K400的性能比较。报告每个视图的GFLOPs。

表2:SSv2的性能比较。

如表3所示。除ResT（Lin等人2022a）外，本表中的所有方法均从CLIP转移。与需要完全微调的方法相比，M2-CLIP在这两个数据集上的结果明显优于它们。例如，在UCF101上超过X-CLIP（Ni等人，2022）6.7%。此外，M2-CLIP需要的可训练参数比这些方法少得多。在其他不需要完全微调并且基于Prompts的方法中，M2-CLIP也优于大多数方法。与Vita CLIP相比，M2-CLIP只使用了其中41%的可训练参数，并且具有更好的监督结果。

此外，M2-CLIP在UCF101上的准确率比其他方法高2.7%，在该数据集的所有方法中处于领先地位。

结论

在本文中，我们介绍了一种新的多模态、多任务自适应方法M2-CLIP，该方法解决了将大型视觉语言模型CLIP转移到视频动作识别领域的挑战性任务。作者的核心创新在于将多模式适配器和多任务解码器集成到多模式框架中。在各种数据集上进行的综合实验展示了M2-CLIP显著的零样本性能，同时在几乎没有可调参数的情况下保持了有希望的监督结果。

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

第一阶段（10天）：初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

• 大模型 AI 能干什么？
• 大模型是怎样获得「智能」的？
• 用好 AI 的核心心法
• 大模型应用业务架构
• 大模型应用技术架构
• 代码示例：向 GPT-3.5 灌入新知识
• 提示工程的意义和核心思想
• Prompt 典型构成
• 指令调优方法论
• 思维链和思维树
• Prompt 攻击和防范
• …

第二阶段（30天）：高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

• 为什么要做 RAG
• 搭建一个简单的 ChatPDF
• 检索的基础概念
• 什么是向量表示（Embeddings）
• 向量数据库与向量检索
• 基于向量检索的 RAG
• 搭建 RAG 系统的扩展知识
• 混合检索与 RAG-Fusion 简介
• 向量模型本地部署
• …

第三阶段（30天）：模型训练

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

• 为什么要做 RAG
• 什么是模型
• 什么是模型训练
• 求解器 & 损失函数简介
• 小实验2：手写一个简单的神经网络并训练它
• 什么是训练/预训练/微调/轻量化微调
• Transformer结构简介
• 轻量化微调
• 实验数据集的构建
• …

第四阶段（20天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

• 硬件选型
• 带你了解全球大模型
• 使用国产大模型服务
• 搭建 OpenAI 代理
• 热身：基于阿里云 PAI 部署 Stable Diffusion
• 在本地计算机运行大模型
• 大模型的私有化部署
• 基于 vLLM 部署大模型
• 案例：如何优雅地在阿里云私有部署开源大模型
• 部署一套开源 LLM 项目
• 内容安全
• 互联网信息服务算法备案
• …

学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。

如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】