clip模型

CLIP (Contrastive Language-Image Pretraining) 是由 OpenAI 开发的一种深度学习模型，旨在将自然语言处理和计算机视觉任务结合起来。它通过一种名为对比学习（Contrastive Learning）的训练方法，将图像和文本映射到一个共同的向量空间中，从而可以计算图文之间的相似度。

模型架构

• 文本编码器: 通常使用基于 Transformer 的架构（如 BERT 或 GPT），将文本输入编码为向量表示。
• 图像编码器: 通常使用卷积神经网络（如 ResNet）或视觉 Transformer，将图像输入编码为向量表示。

训练过程

• CLIP 使用了一个巨大的图文对数据集进行训练，每对数据包含一张图像及其相应的描述文本。
• 训练的目标是使图像和对应描述的文本在向量空间中尽可能靠近，而非对应的图像-文本对则尽可能远离。
• 损失函数采用对比损失（Contrastive Loss），通过最大化图像和其描述文本之间的相似度，最小化其他图文对之间的相似度。

应用场景

• 图文检索：给定一个查询图像，找到与之描述相匹配的文本，反之亦然。
• 图像分类：通过输入文本标签，找到最匹配该标签的图像。
• 图文相似度计算：评估图像与文本描述之间的相似度。

clip安装

clip不能直接通过pip安装，可以使用以下命令进行安装

pip install git+https://github.com/openai/CLIP.git

计算图文相似度

判断这张图片与标签[“a car”, “a bus”, “a bicycle”]对应的分数。

import torch
import clip
from PIL import Imagedevice = "cuda" if torch.cuda.is_available() else "cpu"
model, preprocess = clip.load("ViT-B/32", device=device)image = preprocess(Image.open("car.jpg")).unsqueeze(0).to(device)
text = clip.tokenize(["a car", "a bus", "a bicycle"]).to(device)with torch.no_grad():image_features = model.encode_image(image)text_features = model.encode_text(text)logits_per_image, logits_per_text = model(image, text)probs = logits_per_image.softmax(dim=-1).cpu().numpy()print("Label probs:", probs)

程序输出：

Label probs: [[0.9781556 0.02080377 0.00104056]]

识别成功，汽车的分数远高于其他两项！