学习笔记来源于B站课程：https://www.bilibili.com/video/BV1hwLEzZEnS

1. 概述

学习路线

大模型演进路线：

视觉大模型趋势

2. 自监督学习

自监督学习（Self-Supervised Learning, SSL）是机器学习的一种范式，它通过从数据自身生成标签来训练模型，无需人工标注数据。其核心思想是：利用数据的隐含结构自动构造监督信号，让模型学习有意义的表示（Representation Learning）。

和其他机器学习范式的区别：

2.1. 三种学习范式

自监督的三种学习范式，所有方法都旨在从未标注的多模态数据（如图像-文本对、视频-音频等）中学习强大的、通用的跨模态表示，避免昂贵的人工标注。

这三种方法都是让机器“无师自通”理解多模态信息的强大工具，只是路径不同，各有千秋。现在最厉害的模型往往是融合了其中两种甚至三种方法的优点。
 

2.2. 总结对比表

特征	基于前置任务学习	基于对比学习	基于掩码重建学习
核心驱动	人为设计的代理任务	区分正负样本对	根据上下文重建被掩码的数据
主要目标	解决特定代理任务	拉近正样本，推远负样本	最小化重建误差
关键操作	预测伪标签	计算对比损失 (InfoNCE 等)	掩码输入，预测被掩部分
信息利用	任务定义所需的信息	样本间（对）的相似/不相似关系	数据内部的上下文依赖关系
优点	设计灵活，直观	表示判别性强，对齐效果好	通用性强，学习丰富上下文，无需负样本
主要缺点	任务设计敏感，信息瓶颈	负样本需求大（计算/假阴性）	计算开销大，可能过分关注低层细节
模态对齐	任务相关（如匹配任务强制对齐）	非常直接（在共享空间拉近表示）	通过跨模态上下文重建隐含学习
代表模型	早期跨模态匹配模型，VATT	CLIP, ALIGN, FILIP	BEiT-3, FLAVA, MAE, Data2Vec

---

3. 视觉大模型

3.1. VIT （基础网络架构）

ViT (Vision Transformer)，这是一个革命性的视觉模型，它成功地将原本在自然语言处理（NLP）领域大放异彩的 Transformer 架构引入了计算机视觉（CV）领域，并取得了与甚至超越传统卷积神经网络（CNN）的性能。

详细拆解步骤图

1. 输入图像（224x224x3）
   ┌───────────────────────────────────┐
   │          ██  ▒▒  ░░  ▒▒          │
   │    ▒▒▒▒  ░░  ██  ▒▒  ██  ░░      │
   │    ░░░░  ██  ▒▒      ▒▒  ██      │
   │          ▒▒  ░░  ██  ░░          │
   └───────────────────────────────────┘

2. 图像分块（拆成 16x16 的小块）
   ┌───┬───┬───┬───┐
   │ ██│▒▒ │░░ │▒▒ │  → 共 14x14=196 个块
   ├───┼───┼───┼───┤
   │ ▒▒│ ░░│ ██│ ▒▒│
   ├───┼───┼───┼───┤
   │ ░░│ ██│ ▒▒│   │
   └───┴───┴───┴───┘

3. 线性嵌入（每个块展平为向量）
   [16x16x3=768像素] → 线性投影 → [D=768维向量]
   ██块 → [0.2, 1.7, -0.9, ..., 0.5]  (长度768)
   ▒▒块 → [0.8, -2.1, 0.3, ..., -1.2]

4. 添加位置编码 + [CLS] Token
   ┌───────┬───────────────┐
   │ [CLS] │ 块1 块2 ... 块196 │  ← 序列长度=197
   └───────┴───────────────┘
   │      │               │
   │      └──▶ + 位置编码向量  │  (标记空间位置)
   └──▶ 可学习的分类向量      │

5. Transformer 编码器（核心）
   ┌───────────────────────┐
   │ 多头自注意力 → 层归一化     │
   │          ↓            │
   │ 前馈神经网络 → 层归一化     │  × L层（例：L=12）
   └───────────────────────┘
   ▲
   输入序列: [CLS] + (块1+位置1) + ... + (块196+位置196)

6. 输出分类结果
   ┌───────────┐
   │ 取[CLS]向量 │ → MLP分类头 → "猫: 0.95"
   └───────────┘

---

3.2. 自监督训练框架

范式	代表模型	关键技术	突破点
对比学习	SimCLR	大批量+非线性投影头	简化对比学习框架
	MoCo v1/v2/v3	动量编码器+队列内存库	解耦批量与负样本数量
	BYOL	非对称网络+动量教师	无需负样本
掩码重建	MAE	高掩码率+非对称编解码	ViT高效预训练方案
	BEiT v1/v2/v3	视觉Token预测	语义级重建
蒸馏自训练	DINO	教师-学生网络+中心化/锐化	自蒸馏防坍塌
	iBOT	掩码重建+自蒸馏联合	多任务协同优化
聚类驱动	SwAV	在线聚类+多视角交换	替代负样本对比
非对称架构	SimSiam	预测头+停止梯度	极简自监督框架
多模态	CLIP/ALIGN	图文对比学习	跨模态语义对齐

3.3. 关键关系图示

          ┌──────────────┐
          │  基础架构     │
          │    (ViT)     │◄─────┐
          └──────┬───────┘      │
                 │              │
         ┌───────▼───────┐  ┌───▼───────┐
         │ 训练框架       │  │ 训练框架   │
         │   (MAE)       │  │  (DINO)   │
         └───────┬───────┘  └───┬───────┘
                 │              │
         ┌───────▼───────┐  ┌───▼───────┐
         │ 掩码重建任务   │  │ 自蒸馏任务 │
         └───────────────┘  └───────────┘

注：SimCLR/MAE/DINO 是训练方法论，ViT 是模型骨架。

3.4. 典型组合案例

实际模型	架构	训练方法	代表作
ViT-Base	ViT	监督学习	原始ViT论文
MAE-ViT-Huge	ViT	MAE	Facebook AI 2021
DINO-vit-small	ViT	DINO	Meta AI 2021
SimCLR-ResNet	ResNet	SimCLR	Google 2020

4. 多模态网络架构

4.1. 多模态网络要素

4.2. CLIP (对比语言-图像预训练)

“CLIP 的本质是将语言作为视觉任务的统一接口” —— OpenAI 团队

用对比学习对齐图文语义空间

• 目标：让模型学会判断「任意图像」与「任意文本描述」是否匹配
• 方法：

• • 图像编码器（如 ViT/ResNet）提取视觉特征
  • 文本编码器（Transformer）提取语言特征
  • 通过对比损失拉近匹配图文对，推开不匹配对

组件	架构选择	输出维度
图像编码器	ViT-B/32 或 ResNet-50x64	512 维向量
文本编码器	Transformer	512 维向量

交互方式：仅通过特征向量的余弦相似度交互，不设计跨模态融合模块

5. 下游任务迁移

5.1. 四大迁移方法核心区别

方法	修改位置	训练参数量	计算成本	适用场景
Linear Probing	仅最后一层分类头	极少（<1%）	极低	特征质量极高时快速部署
Full Finetune	全部模型参数	100%	极高	数据充足且任务差异大
Adapter	插入轻量模块	0.5%-5%	中低	平衡效果与效率的通用场景
Prompt Tuning	修改输入（提示词）	0.1%-1%	最低	少样本/零样本学习

 

5.2. 多模态任务迁移方案选择指南

场景	推荐方法	案例说明
数据极少（<50样本）	Prompt Tuning	博物馆文物图文匹配
数据适中（1k-10k）	Adapter	电商产品描述生成
数据充足（>100k）	Full Finetune	短视频内容安全审核
实时推理要求高	Linear Probing	智能相册自动打标