weixin_52586799的博客

原创 大型视觉语言模型：CLIP（Contrastive Language Image Pre-traning）入门级解读

与传统的视觉模型不同，CLIP模型引入了自然语言，模型中有两个编码器，一个是图像编码器，可以将一张[3, 224, 334]的图片处理成为一个向量，该向量叫做图像特征；另一个是文本编码器，同样地，它可以将一个自然语言句子处理成为一个向量，该向量叫做文本特征。