传统图像模型联合训练一个图像特征提取器和一个线性分类器来预测一些标签，而CLIP联合训练一个图像编码器和一个文本编码器来预测一批（图像，文本）训练样本的正确配对（模型的核心是从自然语言与图像配对的监督中学习感知）。 下面来详细了解一下多 ...