1. 模型架构
Contrastive Language-Image Pre-training（以下简称“CLIP”）是OpenAI 在 2021 年初发布的用于匹配图像和文本的预训练神经网络模型，可以说是近年来在多模态研究领域的经典之作。该模型直接使用大量的互联网数据进行预训练，在很多任务表现上达到了目前最佳表现（SOTA） 。
模型架构如上图所示，包括三个部分：
（1） 对比预训练（contrast pre-training）：建立文本和图像的一一对应关系。文本和图像需要用Encoder转化为向量形式，文本通过TextEncoder转化为[T1,T2,T3.....,Tn]，图像通过ImageEncoder转化为[I1,I2,I3.....,In]。文本向量和图像向量可以建立成N×N的矩阵关系，如下图所示，当处于对角线的向量乘积，因为i=j，余弦相似度是最大的（cos0为1）；不在对角线上的向量成绩，因为i≠j，余弦相似度最小。
（2）提取预测类型的文本特征（create dataset from label text）
将待预测文本转换为向量，如下图所示：
（3）zero-shot预测（use zero-shot prediction）
将待测图片进行编码，并与
2. 损失函数：交叉熵损失函数
3. 训练方法
利用图文的特征 encoder 分别获取图像特征向量和文本特征向量，一个图像特征会对应一个文本特征，然后构成了一个 NxN 的一个相似度矩阵，其中对角线上的图文对是正样本，非对角部分 N^2 - N 是负样本。
训练过程中，通过对每行 image->text 做交叉熵 loss，每列 text->image 做交叉熵loss，目标就是优化这两个 loss 之和。
4. 推理方法
在推理阶段，首先将需要分类的图像经过ImageEncoder得到特征，然后对于目标任务数据集的每一个标签，或者你自己定义的标签，都构造一段对应的文本，例如，将 dog 改造成 “A photo of a dog”，以此类推。然后经过编码器得到文本和图像特征，接着将文本特征与图像特征做内积，内积最大对应的标签就是图像的分类结果。这就完成了目标任务上的 zero-shot 分类。
5. 优、缺点分析
CLIP在论文和它的官方网站上也说了CLIP的一些缺点，例如更细粒度的分类任务，数据集未覆盖到的任务上的表现。这些从本质上来看还是说明了CLIP还是一个有偏的模型。
目前看来仅仅通过它的4亿条数据以及对比学习预训练还不足以让模型学习到在NLP上那些通用的能力，这一方向也亟待提升。
优点不多说了，在当时比较新颖，有点aigc开篇的意思。