Pythia：Facebook最新开源的视觉语言多任务学习框架

Posted 2021-12-12 alan-blog-tsinghua

Facebook 发布了一个全新的多任务学习框架 Pythia，它基于 PyTorch 且可用于视觉和语言的联合任务。Pythia 是一种模块化的即插即用框架，数据科学家和机器学习开发者能快速构建、复现和构建基准模型。

项目地址：https://github.com/facebookresearch/pythia

Pythia 是个啥？

Pythia 是一个深度学习框架，它支持视觉和语言领域的多任务处理。该框架搭建于开源的 PyTorch之上，其模块化、即插即用的设计使得研究者可以迅速构建模型。Pythia 是为视觉和语言任务设计的，如与视觉数据相关的问答和自动生成图像注释。

Pythia 不但支持分布式训练及多种数据集，同时还支持自定义的损失函数、度量标准、调度和最优化器等。Pythia 还提供了常用的视觉和语言层级模块，它们都支持分布式训练。Pythia 另一个特点是内建了很多语料库，包括 VQA、VizWiz、TextVQA 和 VisualDialog，它们可以用于多任务学习，即 Pythia 能同时在多个语料训练单一多任务模型。

总体而言，Pythia 的特性主要有以下几点：

• Model Zoo：SoTA 视觉和语言模型的推理实现，包括 LoRRA（VQA 和 TextVQA 的 SoTA）、Pythia 模型（VQA 2018 挑战赛冠军）和 BAN。
• 多任务：支持多任务，允许在多个数据集上同时训练。
• 数据集：包括对多种数据集内置的支持，有 VQA、VizWiz、TextVQA 和 VisualDialog。
• 模块：提供对视觉和语言领域中多个常用层的实现。
• 分布式：支持基于 DataParallel 和 DistributedDataParallel 的分布式训练。
• 非指定：不指定构建在其上的数据集和模型实现。
• 定制化：定制损失函数、度量标准、调度、最优化器、TensorBoard，满足所有定制化需求。

Pythia 有啥用？

Pythia 包含了 Facebook 在最近的 AI 竞赛（VQA 2018 挑战赛和 Vizwiz 2018 挑战赛）中获胜的元素。特征包括推理实现，以展示之前的 SOTA 模型如何达到相关基准结果并快速评估新模型。除了多任务，Pythia 还支持分布式训练、一系列数据集以及定制损失函数、度量、调度和优化器。

• Pythia 官方文档：https://learnpythia.readthedocs.io/en/latest/

我们可以使用 Pythia 完成视觉和语言多模态研究项目，如下图所示为视觉问答，它同时需要学习图像和文本相关的知识。

Pythia 怎么用？

Pythia 的安装非常简单，各种依赖项也都会自动安装：

# Clone Pythia repository
git clone https://github.com/facebookresearch/pythia ~/pythia

# Install dependencies and setup
cd ~/pythia
python setup.py develop

1. 获取数据

Pythia 目前支持的数据集要求有两部分，即特征和 ImDB。例如，对于 TextVQA，我们需要下载如下数据和预训练权重。

cd ~/pythia;
# Create data folder
mkdir -p data && cd data;

# Download and extract the features
wget https://dl.fbaipublicfiles.com/pythia/features/open_images.tar.gz
tar xf open_images.tar.gz

# Get vocabularies
wget http://dl.fbaipublicfiles.com/pythia/data/vocab.tar.gz
tar xf vocab.tar.gz

# Download detectron weights required by some models
wget http://dl.fbaipublicfiles.com/pythia/data/detectron_weights.tar.gz
tar xf detectron_weights.tar.gz

# Download and extract ImDB
mkdir -p imdb && cd imdb
wget https://dl.fbaipublicfiles.com/pythia/data/imdb/textvqa_0.5.tar.gz
tar xf textvqa_0.5.tar.gz

1. 训练

下载数据后就可以直接训练了：

cd ~/pythia;
python tools/run.py --tasks vqa --datasets textvqa --model lorra --config *\*
configs/vqa/textvqa/lorra.yml

1. 推断

如果需要运行推断或生成预测，我们可以下载对应的预训练模型，并运行以下命令行：

cd ~/pythia/data
mkdir -p models && cd models;

wget https://dl.fbaipublicfiles.com/pythia/pretrained_models/textvqa/lorra_best.pthcd ../..

python tools/run.py --tasks vqa --datasets textvqa --model lorra --config *\*
configs/vqa/textvqa/lorra.yml --resume_file data/models/lorra_best.pth *\*
--evalai_inference 1 --run_type inference

• 完整的示例可以在 colab 上查看：https://colab.research.google.com/drive/1Z9fsh10rFtgWe4uy8nvU4mQmqdokdIRR

Pythia 有何重要之处

Pythia 使得进入不断发展中的视觉和语言子领域这一过程变得更加平滑，可以让研究人员专注于更快的原型和实验。Facebook 的目标是通过提高这些模型和结果的复现性来加速进程。如此一来，社区就能更容易地构建成功的系统，并对其进行基准测试。

Facebook 希望，在移除一些障碍之后，研究者能够更加快速地开发出人类和智能机器交流的新方法。这项工作还应该帮助研究者开发适应性 AI，将多种理解综合成更基于上下文的、多模态的理解。除了本次开源的内容外吗，Facebook 还计划增加一些工具、任务、数据集和参考模型。