• 论文地址： https://arxiv.org/abs/2409.16718
• 论文代码： https://github.com/minglllli/CLIPFit

创新点

• 提出了一种 CLIPFit 方法以高效地微调 CLIP 模型，从而揭示经典模型微调在视觉语言模型（ VLMs ）上的潜力。
• 与现有的提示调整或适配器调整方法不同， CLIPFit 不引入任何外部参数，而仅微调 CLIP 固有参数中的一个小特定子集。

内容概述

微调视觉语言模型（ VLMs ）方面的进展见证了提示调优和适配器调优的成功，而经典模型在固有参数上的微调似乎被忽视了。有人认为，使用少量样本微调 VLMs 的参数会破坏预训练知识，因为微调 CLIP 模型甚至会降低性能。论文重新审视了这一观点，并提出了一种新视角：微调特定的参数而不是全部参数将揭示经典模型微调在 VLMs 上的潜力。

通过细致研究，论文提出了 ClipFit ，可以在不引入额外参数开销的情况下微调 CLIP 。仅通过微调特定的偏置项和归一化层， ClipFit 可以将零样本 CLIP 的平均调和均值准确率提升 7.27% 。

为了理解 CLIPFit 中的微调如何影响预训练模型，论文进行了广泛的实验分析以研究内部参数和表示的变化。在文本编码器中，当层数增加时，偏置的变化减少。在图像编码器中， LayerNorm 也有同样的结论。进一步的实验表明，变化较大的层对知识适应更为重要。

CLIPFit

在不引入任何外部参数的情况下， CLIPFit 仅对文本编码器中 FNN 的投影线性层的偏置项进行微调，并更新图像编码器中的 LayerNorm 。

文本编码器

对于文本编码器， CLIPFit 并不是对所有偏置项进行微调，而仅对文本编码器中 FFNs 的投影线性层（即第二层）的偏置项进行微调。仅微调部分偏置项将减少训练参数的数量，相较于微调所有偏置项。此外，实验表明，微调部分偏置项可以实现比微调所有偏置项更好的性能。

图像编码器

BitFit 证明了在不引入任何新参数的情况下，仅微调预训练语言模型中的偏置项可以与完全微调的表现相媲美。然而， BitFit 是为大型语言模型（ LLM ）微调设计的，直接将 BitFit 应用于视觉语言模型（ VLM ）微调可能会损害模型的泛化能力。

为此， CLIPFit 并没有对图像编码器的偏置项进行微调，而是对 LayerNorm 进行微调。在 LayerNorm 中，两个可学习参数增益  和偏置  用于对标准化输入向量  进行仿射变换，以进行重新中心化和重新缩放，这有助于通过重新塑形分布来增强表达能力。在训练过程中，不同的数据分布应该在 LayerNorm 中产生不同的增益和偏置，以实现分布的重新塑形。

如果在推理过程中应用偏移的增益和偏置，可能会导致次优解。因此， CLIPFit 对图像编码器中的 LayerNorm 进行微调。

损失函数

在微调阶段，通用的预训练知识很容易被遗忘。因此，论文探索了两种不同的策略来减轻这种遗忘。

第一种策略是使用知识蒸馏损失来指导 CLIPFit 从原始的零样本 CLIP 中学习。设 为原始 CLIP 的文本特征， 为 CLIPFit 的文本特征。CLIPFit 的训练损失和知识蒸馏损失定义为：

第二种策略是使用均方误差（MSE）损失来惩罚文本编码器的变化。设 为来自预训练 CLIP 的未固定文本偏置项,