大家好呀，在上一期的文章中，我们分享关于Transformer的知识点，那么这一期我们就来分享什么是多模态，废话不多说，我们直接开始吧！

1 什么是多模态

模态指的是数据或者信息的表现形式，如文本、图像、音频、视频等

多模态指的是数据或者信息的多种表现形式，一个信息，它可以存在多种表现形式。

为什么会有多模态呢？

因为人类有多种感官来处理信息：比如听觉、嗅觉、视觉、触觉、味觉等，它们都可以获取并且处理不同形式的信息。

为了让计算机具备分析互联网数据的能力、模拟人类的认知方式，同时处理多个模态数据的多模态信息处理技术应运而生。

2 深度学习中的多模态

在目前的人工智能任务中，我们所说的多模态更多的是指对于文本、语音、视觉任务的支持

深度学习中有很多经典的任务，都是基于这三种任务之间互相转换的。比如图像生成任务，根据文本描述生成图像，反过来的图像描述任务，根据图像来生成文本，就像是我们小学学的看图作文一样。

为避免单个微信添加频繁，为此准备了微信，随意添加一个助理让她无偿分享给大家即可

3 多模态学习的关键技术

多模态学习是一种利用多模态数据进行学习的方法，这些数据模态可能包括文本、图像、音频、视频等，通过融合多种数据模态来训练模型，从而提高模型的感知与理解能力，实现跨模态的信息交互与融合

多模态学习涉及多种关键技术，包括模态表示、对齐、融合、转换以及协同学习等。这些技术有助于建立不同模态之间的对应关系，学习多模态的共享表征空间，以及利用各模态间的互补性来增强语义理解。

对齐vs融合

对齐关注的是如何在不同模态之间建立对应关系，而融合则是关于如何将这些多模态信息有效地结合起来，以提高模型的性能。

3.1 模态表示

• 什么是模态表示？

模态表示是将不同感官或交互方式的数据（如文本、图像、声音等）转换为计算机可理解和处理的形式，以便进行后续的计算、分析和融合。

文本模态的表示：文本模态的表示方法有多种，如独热表示、低维空间表示、词袋表示及其衍生出的n-grams词袋表示等。目前主流的文本表示方法是预训练文本模型，如BERT。

视觉模态的表示：分为图像模态和视频模态。图像模态主要通过CNN实现，如LeNet-5、AlexNet、VGG、GoogLeNet、ResNet等。视频模态则结合了图像的空间属性和时间属性，通常由CNN和RNN或LSTM等模型共同处理。

声音模态的表示：可通过梅尔频率倒谱系数、波形图或频谱图等形式表示，通常涉及音频信号的预处理、特征提取和表示学习等步骤，常用模型有深度神经网络、CNN和RNN等。

表征学习旨在从原始数据中自动提取有效特征，形成计算机可理解的模态表示，以保留关键信息并促进跨模态交互与融合。

• 什么是多模态联合表示？

多模态联合表示是一种将多个模态（如文本、图像、声音等）的信息共同映射到一个统一的多模态向量空间中的表示方法。

多模态联合表示通过神经网络、概率图模型将来自不同模态的数据进行融合，生成一个包含多个模态信息的统一表示。这个表示不仅保留了每个模态的关键信息，还能够在不同模态之间建立联系，从而支持跨模态的任务，如多模态情感分析、视听语音识别等。

• 什么是多模态协同表示？

多模态协同表示是一种将多个模态的信息分别映射到各自的表示空间，但映射后的向量或表示之间需要满足一定的相关性或约束条件的方法。这种方法的核心在于确保不同模态之间的信息在协同空间内能够相互协作，共同优化模型的性能。

联合表示vs协同表示

一个是映射到统一的空间中，一个是分别映射到各自空间，然后再建立联系/关联

3.2 多模态对齐

对齐是指在不同模态的数据之间发现和建立对应关系的过程

什么是显示对齐（Explicit Alignment）？

直接建立不同模态之间的对应关系，包括无监督对齐和监督对齐。显式对齐的一个重要工作是相似性度量。大多数方法都依赖于度量不同模态的子组件之间的相似性作为基本构建块。

无监督对齐：利用数据本身的统计特性或结构信息，无需额外标签，自动发现不同模态间的对应关系。

• CCA（典型相关分析）：通过最大化两组变量之间的相关性来发现它们之间的线性关系，常用于图像和文本的无监督对齐。

• 自编码器：通过编码-解码结构学习数据的低维表示，有时结合循环一致性损失（Cycle Consistency Loss）来实现无监督的图像-文本对齐。

监督对齐：利用额外的标签或监督信息指导对齐过程，确保对齐的准确性。

• 多模态嵌入模型：如DeViSE（Deep Visual-Semantic Embeddings），通过最大化图像和对应文本标签在嵌入空间中的相似度来实现监督对齐。

• 多任务学习模型：同时学习图像分类和文本生成任务，利用共享层或联合损失函数来促进图像和文本之间的监督对齐。

什么是隐式对齐（Implicit Alignment）？

不直接建立对应关系，而是通过模型内部机制隐式地实现跨模态的对齐。这包括注意力对齐和语义对齐。

注意力对齐：通过注意力机制动态地生成不同模态之间的权重向量，实现跨模态信息的加权融合和对齐。

• Transformer模型：在跨模态任务中（如图像描述生成），利用自注意力机制和编码器-解码器结构，自动学习图像和文本之间的注意力分布，实现隐式对齐。

• BERT-based模型：在问答系统或文本-图像检索中，结合BERT的预训练表示和注意力机制，隐式地对齐文本查询和图像内容。

语义对齐：在语义层面上实现不同模态之间的对齐，需要深入理解数据的潜在语义联系。

• 图神经网络（GNN）：在构建图像和文本之间的语义图时，利用GNN学习节点（模态数据）之间的语义关系，实现隐式的语义对齐。

• 预训练语言模型与视觉模型结合：如CLIP（Contrastive Language-Image Pre-training），通过对比学习在大量图像-文本对上训练，使模型学习到图像和文本在语义层面上的对应关系，实现高效的隐式语义对齐。

3.3 多模态融合

什么是多模态融合（MultiModal Fusion）？

多模态融合指的是抽取自不同模态的信息整合成一个稳定的多模态表征，能够充分利用不同模态之间的互补性。从数据处理的层次角度将多模态融合分为数据级融合、特征级融合和目标级融合。

• 数据级融合（Data-Level Fusion）：

数据级融合，也称为像素级融合或原始数据融合，是在最底层的数据级别上进行融合。这种融合方式通常发生在数据预处理阶段，即将来自不同模态的原始数据直接合并或叠加在一起，形成一个新的数据集。

应用场景：适用于那些原始数据之间具有高度相关性和互补性的情况，如图像和深度图的融合。

• 特征级融合（Feature-Level Fusion）：

特征级融合是在特征提取之后、决策之前进行的融合。不同模态的数据首先被分别处理，提取出各自的特征表示，然后将这些特征表示在某一特征层上进行融合。

应用场景：广泛应用于图像分类、语音识别、情感分析等多模态任务中。

• 目标级融合（Decision-Level Fusion）：

目标级融合，也称为决策级融合或后期融合，是在各个单模态模型分别做出决策之后进行的融合。每个模态的模型首先独立地处理数据并给出自己的预测结果（如分类标签、回归值等），然后将这些预测结果进行整合以得到最终的决策结果。

应用场景：适用于那些需要综合考虑多个独立模型预测结果的场景，如多传感器数据融合、多专家意见综合等。

4 多模态任务

早期的

• 视听语音识别：通过视频和音频识别出文字

• 多模态情感计算：通过肢体动作、面部表情、语音，生物电信号、心率等信息，进行情感识别

• 跨媒体检索：图文互搜

现代多模态任务

• 图像/视频描述：给定图像或视频，用文本描述出来，就像小学时的看图说话或看图写作

• 视觉问答：较为复杂，可能还涉及推理

• 指称表达理解与生成：表达描述->给出候选框，给出候选框->表达描述

• 文本生成图像/视频：根据描述的文本转成图像或视频

• 视觉对话：类似于ChatGPT

• 视觉语音导航：根据视觉信息，发出语音指令，操控机器

此外还有多模态自动驾驶、视觉常识推理、视觉语言推理、视觉蕴含等

参考链接：https://blog.csdn.net/qq_54695558/article/details/142721287

我们该怎样系统的去转行学习大模型 ？

很多想入行大模型的人苦于现在网上的大模型老课程老教材，学也不是不学也不是，基于此，我用做产品的心态来打磨这份大模型教程，深挖痛点并持续修改了近100余次后，终于把整个AI大模型的学习门槛，降到了最低！

在这个版本当中：

第一您不需要具备任何算法和数学的基础
第二不要求准备高配置的电脑
第三不必懂Python等任何编程语言

您只需要听我讲，跟着我做即可，为了让学习的道路变得更简单，这份大模型教程已经给大家整理并打包，现在将这份 LLM大模型资料 分享出来： 😝有需要的小伙伴，可以 扫描下方二维码领取🆓↓↓↓

​

一、大模型经典书籍（免费分享）

AI大模型已经成为了当今科技领域的一大热点，那以下这些大模型书籍就是非常不错的学习资源。

二、640套大模型报告（免费分享）

这套包含640份报告的合集，涵盖了大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师，还是对AI大模型感兴趣的爱好者，这套报告合集都将为您提供宝贵的信息和启示。(几乎涵盖所有行业)

三、大模型系列视频教程（免费分享）

四、2025最新大模型学习路线（免费分享）

我们把学习路线分成L1到L4四个阶段，一步步带你从入门到进阶，从理论到实战。

L1阶段:启航篇丨极速破界AI新时代

L1阶段：我们会去了解大模型的基础知识，以及大模型在各个行业的应用和分析；学习理解大模型的核心原理、关键技术以及大模型应用场景。

L2阶段：攻坚篇丨RAG开发实战工坊

L2阶段是我们的AI大模型RAG应用开发工程，我们会去学习RAG检索增强生成：包括Naive RAG、Advanced-RAG以及RAG性能评估，还有GraphRAG在内的多个RAG热门项目的分析。

L3阶段：跃迁篇丨Agent智能体架构设计

L3阶段：大模型Agent应用架构进阶实现，我们会去学习LangChain、 LIamaIndex框架，也会学习到AutoGPT、 MetaGPT等多Agent系统，打造我们自己的Agent智能体。

L4阶段：精进篇丨模型微调与私有化部署

L4阶段：大模型的微调和私有化部署，我们会更加深入的探讨Transformer架构，学习大模型的微调技术，利用DeepSpeed、Lamam Factory等工具快速进行模型微调。

L5阶段：专题集丨特训篇 【录播课】

全套的AI大模型学习资源已经整理打包，有需要的小伙伴可以微信扫描下方二维码，免费领取

​