作者 | 维克多
自从今年1月份OpenAI祭出120亿参数魔法模型DALL·E，众多科研工作者开始对其进行多方位的剖析，希望也能做出给定“自然语言文字描述直接生成对应图片”的程序或软件。
120亿参数.........这意味着只有“顶级玩家”才能入局。如果缩小模型参数，程序还能跑出高质量的结果么？
今日，谷歌和Hugging Face的研究员们开放了一款DALL·E mini的小程序。顾名思义，作为DALL·E的复刻版，模型规模比原版小了27倍，且只在单个TPU v3-8上训练了3天。
mini版的DALL·E创造思路非常简单：在官方开源代码以及预训练模型的基础上，简化体系结构和减少模型内存需求。
效果如何？作者在博客中说：
“在硬件资源受限的情况下，虽然质量比较低，但结果仍然是令人印象深刻的。”
AI科技评论将其与正版DALL·E进行了对比，结果如下：
图注：左边为DALL·E mini输出结果，右边为OpenAI官方博客中的示范图注：左边为DALL·E mini输出结果，右边为OpenAI官方博客中的示范图注：左边为DALL·E mini输出结果，右边为OpenAI官方博客中的示范通过以上对比，mini版的DALL·E只在“鳄梨形状的扶手椅”交出了令人满意的答卷，在“遛狗”和“店面”测试中，前者生成的是抽象派画面，后者只生成了店面......果然，魔法还是念完完整咒语，才能发挥最完美的效果。https://huggingface.co/spaces/flax-community/dalle-mini考虑到较小规模的模型架构，以及只训练了三天，因此，其模型结构和训练方法对我们也有借鉴意义。模型架构 
1.图像通过VQGAN编码器进行编码，该编码器将图像转换为一系列tokens。2.文字描述通过BART编码器进行编码。其中，BART解码器是一个自回归模型，其目标是预测下一个tokens。3.损失函数来自VQGAN中真实图像编码和预测值之间的softmax cross entropy。在推理时候，只有标题（captions）可用，图像生成过程如下：3.基于解码器在下一个 token的预测分布，对图像 token进行顺序采样前面也提到，对于图像的编码和解码，作者使用VQGAN。VQGAN的目标是将一幅图像编码成一系列离散的 token，这些 token可用于transformers模型。图注：训练transformers以实现高分辨率图像合成值得一提的是，为了充分利用TPU，该模型用JAX编程。此外，为了加快数据加载速度，作者使用图像编码器对所有图像进行了预编码。其中，每个TPU处理的Batch size为56，这可以最大限度地增加每个TPU的可用内存；采用Adafactor为优化器，提高内存效率，使我们可以使用更高的Batch size。作者们还花了半天的时间，通过启动超参数搜索来为模型找到一个好的学习率（0.005）。与OpenAI DALL·E相比
1.Dall·E使用120亿参数版本的GPT-3。相比之下，Dall·E mini的模型小27倍，参数约为4亿。
2.Dall·E mini使用大量预先训练好的模型(VQGAN、BART编码器和CLIP)，而OpenAI从头开始训练。
3.在图像编码方面，表( vocabulary )的对比是8192 vs 16384，tokens的对比是1024vs256。Dall·E使用VQVAE，而作者使用VQGAN。
4.在文本编码方面，表( vocabulary )的对比是16384 vs 50264，tokens的对比是256 vs 1024。
5.Dall·E通过自回归模型读取文本，而Dall·E mini使用双向编码器。
6.Dall·E接受了2.5亿对图像和文本的训练，而Dall·E mini只使用了1500万对。
综上，以上的设置差异使得Dall·E mini的训练时间大大缩小，即只在单个TPU v3-8上训练了3天。据作者计算，模型的训练成本不到200美元，即使算上在TPU和超参数搜索上的实验，额外的开销也不超过1000美元。基于此，Dall·E生成的图像的质量虽然比Dall·E mini模型高得多，但调用的资源非常少。不得不承认这个模型在复现OpenAI几个官方示例中确实失败了。
差在哪？
作者也承认了Dall·E mini的几个缺陷，在文末，他们总结到：3.很难预测该模型的优势和缺陷，例如该模型很擅长生成“鳄梨形状的扶手椅”，但不能生成与“计算机logo ”相关的任何内容；经过分析，作者认为之所以出现缺陷，可能是因为数据集，毕竟数据偏见一直是研究社区所讨论的；另外，模型本身以及训练的流程、推理的流程都有可能是出问题的地方。雷锋网雷锋网雷锋网
雷峰网特约稿件，未经授权禁止转载。详情见转载须知。
