OpenAI 于 2021 年 1 月发布了两个新模型:DALL-E 和 CLIP。这两个模型都是多模态模型,能够以某种方式连接文本和图像。CLIP 模型的全名是“Contrastive Language-Image Pre-training”,主要目标是通过自然语言监督学习可迁移的视觉模型。简而言之,CLIP 学会了将完整的句子与其描述的图像建立关系。当模型被训练后,给它一个输入句子,它就能检索出与之最相关的图像。
CLIP 的特别之处在于它的训练方式:它不是简单地在单个类别(如汽车、狗等)上进行训练,而是用整句话进行训练。这种方法让模型学会在图像和文本之间找到一些模式。此外,CLIP 还被展示出可以充当分类器的角色。通过在大量带有对应文本的图像数据集上进行训练,CLIP 在一些基准数据集上的表现优于专门为分类任务优化的最先进模型。
在本文中,将从头开始在 PyTorch 中实现 CLIP 模型。尽管 OpenAI 已开源相关代码,但该项目的初始版本较为复杂,本文通过借鉴 Keras 教程,并将其内容翻译到 PyTorch 中,旨在让读者轻松上手。
为了训练 CLIP 模型,数据集需要同时包含图像和它们的描述文本。文章中使用了 DistilBERT 模型进行文本编码,同时使用 ResNet50 作为图像编码器。模型通过编码各自的输入,将图像和文本表示为固定长度的向量,进而在一个共享特征空间内进行比较。
为此,引入了投影头,将不同维度的图像和文本向量投影到一个新的统一维度,以便可以比较来自不同模态的嵌入。此过程类似于在高维空间中寻找相似特征,以最大化匹配。
在训练阶段,CLIP 模型通过比较图像和文本嵌入的相似性来优化。模型的最终目标是使图像和对应文本的嵌入尽可能相似。
在推理部分,给定一段文本描述,CLIP 模型可以有效检索出在验证集中最匹配的图像。通过一系列矩阵运算和归一化处理,模型能够自如处理和比较不同输入间的语义相似度,从而提供高质量的匹配结果。
OpenAI-CLIP 项目展示了多模态学习的巨大潜力,通过联合图像和文本的表示学习,模型能够高效地理解自然语言描述与视觉信息之间的联系。这不仅提高了图像分类的准确性,也为图像和语言的更深入理解开辟了新的路径。在模型的实际应用上,CLIP 已在多个学术研究中得到应用和引用,显示出其在多个领域的广泛影响力。
OpenAI Agents SDK,助力开发者便捷使用 OpenAI 相关功能。
openai-agents-python 是 OpenAI 推出的一款强大 Python SDK,它为开发者提供了与 OpenAI 模型交互的高效工具,支持工具调用、结果处理、追踪等功能,涵盖多种应用场景,如研究助手、财务研究等,能显著提升开发效率,让开发者更轻松地利用 OpenAI 的技术优势。
高分辨率纹理 3D 资产生成
Hunyuan3D-2 是腾讯开发的用于 3D 资产生成的强大工具,支持从文本描述、单张图片或多视角图片生成 3D 模型,具备快速形状生成能力,可生成带纹理的高质量 3D 模型,适用于多个领域,为 3D 创作提供了高效解决方案。
一个具备存储、管理和客户端操作等多种功能的分布式文件系统相关项目。
3FS 是一个功能强大的分布式文件系统项目,涵盖了存储引擎、元数据管理、客户端工具等多个模块。它支持多种文件操作,如创建文件和目录、设置布局等,同时具备高效的事件循环、节点选择和协程池管理等特性。适用于需要大规模数据存储和管理的场景,能够提高系统的性能和可靠性,是分布式存储领域的优质解决方案。
用于可扩展和多功能 3D 生成的结构化 3D 潜在表示
TRELLIS 是一个专注于 3D 生成的项目,它利用结构化 3D 潜在表示技术,实现了可扩展且多功能的 3D 生成。项目提供了多种 3D 生成的方法和工具,包括文本到 3D、图像到 3D 等,并且支持多种输出格式,如 3D 高斯、辐射场和网格等。通过 TRELLIS,用户可以根据文本描述或图像输入快速生成高质量的 3D 资产,适用于游戏开发、动画制作、虚拟现实等多个领域。
10 节课教你开启构建 AI 代理所需的一切知识
AI Agents for Beginners 是一个专为初学者打造的课程项目,提供 10 节课程,涵盖构建 AI 代理的必备知识,支持多种语言,包含规划设计、工具使用、多代理等丰富内容,助您快速入门 AI 代理领域。
AI Excel全自动制表工具
AEE 在线 AI 全自动 Excel 编辑器,提供智能录入、自动公式、数据整理、图表生成等功能,高效 处理 Excel 任务,提升办公效率。支持自动高亮数据、批量计算、不规则数据录入,适用于企业、教育、金融等多场景。
基于 UI-TARS 视觉语言模型的桌面应用,可通过自然语言控制计算机进行多模态操作。
UI-TARS-desktop 是一款功能强大的桌面应用,基于 UI-TARS(视觉语言模型)构建。它具备自然语言控制、截图与视觉识别、精确的鼠标键盘控制等功能,支持跨平台使用(Windows/MacOS),能提供实时反馈和状态显示,且数据完全本地处理,保障隐私安全。该应用集成了多种大语言模型和搜索方式,还可进行文件系统操作。适用于需要智能交互和自动化任务的场景,如信息检索、文件管理等。其提供了详细的文档,包括快速启动、部署、贡献指南和 SDK 使用说明等,方便开发者使用和扩展。
开源且先进的大规模视频生成模型项目
Wan2.1 是一个开源且先进的大规模视频生成模型项目,支持文本到图像、文本到视频、图像到视频等多种生成任务。它具备丰富的配置选项,可调整分辨率、扩散步数等参数,还能对提示词进行增强。使用了多种先进技术和工具,在视频和图像生成领域具有广泛应用前景,适合研究人员和开发者使用。
全流程 AI 驱动的数据可视化工具,助力用户轻松创作高颜值图表
爱图表(aitubiao.com)就是AI图表,是由镝数科技推出的一款创新型智能数据可视化平台,专注于为用户提供便捷的图表生成、数据分析和报告撰写服务。爱图表是中国首个在图表场景接入DeepSeek的产品。通过接入前沿的DeepSeek系列AI模型,爱图表结合强大的数据处理能力与智能化功能,致力于帮助职场人士高效处理和表达数据,提升工作效率和报告质量。
一款强大的视觉语言模型,支持图像和视频输入
Qwen2.5-VL 是一款强大的视觉语言模型,支持图像和视频输入,可用于多种场景,如商品特点总结、图像文字识别等。项目提供了 OpenAI API 服务、Web UI 示例等部署方式,还包含了视觉处理工具,有助于开发者快速集成和使用,提升工作效率。
最新AI工具、AI资讯
独家AI资源、AI项目落地
微信扫一扫关注公众号