DALL·E才发布两天就被复现？官方论文还没出，大神们就在自制代码和视频了
其实最难的是硬件
萧箫 发自 凹非寺
量子位 报道 | 公众号 QbitAI
没想到，OpenAI刚公布DALL·E，就已经有人在复现了。
虽然还是个半成品，不过大体框架已经搭建好了，一位第三方作者Philip Wang正在施工中。
DALL·E是前两天刚公布的文字转图像网络框架，目前只公布了项目结果，甚至连官方论文都还没出。
论文还没出，就开始复现了
论文复现的依据，来自一位叫做Yannic Kilcher的博主制作的油管视频。
他在视频中，对DALL·E的原理结构进行了猜测。
他表示，这些猜测并不代表真实情况，也许DALL·E的论文出来后，会颠覆他的预想。
Yannic认为，DALL·E应该是VQ-VAE模型、和类似于GPT-3的语言模型的结合。
GPT-3这类语言模型，有着非常强大的语言建模能力，可以对输入的文字描述进行很好的拆分理解。
而VAE模型，则是一种强大的图像生成Transformer，在训练完成后，模型会去掉编码器（encoder）的部分，只留下解码器，用于生成图像。
将二者结合的话，就能像下图中的那个小方块一样，将输入的各种物体，根据理解的文字，结合成具有实际意义的一幅画面。
例如，输入人、太阳和树，模型就能输出“太阳下，树底坐着一个人”所描绘的图像。
要怎么实现？
先简单分析一下VQ-VAE的模型原理。
与VAE相似，这也是一个Transformer结构的模型，编码器对图像进行编码后，将编码数据送入隐空间，解码器再从隐空间中，对图像进行重构。
相比于VAE，VQ-VAE隐变量的每一维都是离散整数，也就是说，它的隐空间其实是一个编码簿（codebook），包含提取出的各种向量信息。
在DALL·E里，这个编码簿，本质上可以等价为一个词汇表（vocabulary）。
这个词汇表，专门用来存储对图像的各种描述。
对输入图像进行编码时，本质上是将图像分成各种像素块。
期间，会产生各种各样的图像信息。
假设天蓝色的格子，包含“天空”的描述信息，那么在重建时，解码器读取到“天空”信息，就会分配顶端的一系列像素，用来生成天空。
在完成VQ-VAE的训练后，模型就得到了一个只有解码器看得懂的编码簿。
届时，将由类似于GPT-3的语言模型，对输入的文字进行解码，转换成只有编码簿才能看懂的向量信息。
然后，编码簿会将这些信息进行排序，依次列出每个像素块应该生成的数据，并告诉解码器。
解码器会合成这些像素数据，得到最终的图像。
为了实现这样的目标，既要对类似于GPT-3的语言模型进行训练，也要提前对VQ-VAE模型进行预训练。
而且，还需要对二者融合后的模型进行训练。
这位作者复现的DALL·E，也是依据这个视频解析的原理复现的。
有关项目本身
目前，DALL·E的复现项目还没有完成，作者仍然在加工中（WIP），不过已经有700多个Star。
作者希望写出一个PyTorch版本的DALL·E，现在的框架中，已经包含了VAE的训练、CLIP的训练，以及VAE和CLIP融合后的模型预训练。
此外，还包括DALL·E的训练、和将预训练VAE模型融合进DALL·E模型中的部分。
上述模块训练完成后，就能用DALL·E来做文字生成图像了。
目前，作者正在进行DALL·E模块部分的代码复现。
作者承诺，完成DALL·E的部分后，会把CLIP模型也一起补上。
作者介绍
Philip Wang，本硕毕业于康奈尔大学，博士毕业于密歇根大学医学院。
他的研究兴趣是AI（深度学习方向），以及医疗健康，目前GitHub上已有1.7k个followers。
关于DALL·E本身，视频解析博主Yannic也表示，之所以能取得这么好的效果，并不全是因为模型设计。
DALL·E，极可能也像GPT-3一样，用了样本量庞大的数据集，来对模型进行训练。
网友表示，难以想象训练这个玩意所用的GPU数量，气候又要变暖了。
所以要想完全复现这个项目，最难的其实是硬件部分？（手动狗头）
项目地址：
https://github.com/lucidrains/DALLE-pytorch
DALL·E视频解析：
https://www.youtube.com/watch?v=j4xgkjWlfL4
- 首个GPT-4驱动的人形机器人！无需编程+零样本学习，还可根据口头反馈调整行为2023-12-13
- IDC霍锦洁：AI PC将颠覆性变革PC产业2023-12-08
- AI视觉字谜爆火！梦露转180°秒变爱因斯坦，英伟达高级AI科学家：近期最酷的扩散模型2023-12-03
- 苹果大模型最大动作：开源M芯专用ML框架，能跑70亿大模型2023-12-07
