知识卡片
CLIP学习图文共同表示
CLIP利用网络上自然共现的图文对学习文本和图像的联合嵌入,即以向量表示相关含义。它以此帮助跨模态任务和后续模型建设,并非用于逐token生成开放式回答的模型。减少人工逐图标签不代表训练不需要大量图文数据。
这张卡片看不懂?
这张卡片已通过人工审查,不再接受失败反馈。
已有反馈 · 0 条
还没有人提交反馈。
在整书笔记中的位置
原书出处 · 1 处
- · 查看原书依据
CLIP是一种嵌入模型(embedding model),训练目标是生成文本和图像的联合嵌入(joint embedding)。3.3.3节将详细讨论嵌入的概念。目前,你可以将嵌入理解为旨在捕捉原始数据含义的向量。像CLIP这样的多模态嵌入模型是生成
参考来源
- 位置:《AI工程:大模型应用开发实战》第1章《基于基础模型构建AI应用入门》(来源项目:a19c7933-4eda-4176-aebd-30fe7e1ad292;源文件:extracted/AI工程:大模型应用开发实战/_epub-src/EPUB/xhtml/Section009.xhtml)
- 结论依据:本段对概念、机制与限制条件的解释支撑正文;历史模型名称仅作原书例子,不外推为当前产品规格。
- 原始内容:CLIP是一种嵌入模型(embedding model),训练目标是生成文本和图像的联合嵌入(joint embedding)。3.3.3节将详细讨论嵌入的概念。目前,你可以将嵌入理解为旨在捕捉原始数据含义的向量。像CLIP这样的多模态嵌入模型是生成