我想要一天分享一點「LLM從底層堆疊的技術」，並且每篇文章長度控制在三分鐘以內，讓大家不會壓力太大，但是又能夠每天成長一點。
- 像 ViT 一樣，特徵提取器生成圖像的 Token
- 文本也像 ViT 一樣作為 Token 輸入
- 注意力層通過某種“交叉注意力”學習圖像 Token 與文本 Token 之間的關係
- 輸出同樣是原始 Logits，如同 ViT 一樣，我們將首先了解 CLIP 的基本架構，然後在程式碼中運行 CLIP
該模型是對比式的：圖像透過差異和相似性學習如何組合在一起，圖像和說明文字透過（文本與圖像的結合）預訓練彼此對應，經過預訓練後，CLIP 可以學習新任務，CLIP 具有可轉移性，因為它可以學習新的視覺概念，如同 GPT 模型，例如在視頻序列中的動作識別，說明文字為無限的應用場景鋪路。
ViT 將圖像分割為類似單詞的塊，CLIP 聯合訓練文本和圖像編碼器，對（說明文字，圖像）配對進行訓練，以最大化餘弦相似度，如下圖所示：
