从CLIP应用领会隐空间的魅力

1 前言

在前面所刊登的《从隐空间认识CLIP 多模态模型》一文里，已经阐述了CLIP 基于隐空间的运作了。在本文里，将从商店柜台的产品推荐应用来说明：我们可以拿CLIP 的源代码，搭配商家自有产品图像(Image) 和图像叙述文句(Text)，来训练出企业自用的CLIP 小模型，同时也领会其幕后隐空间(Latent space) 的运作及其效果。

兹复习一下CLIP 的特性，它的目标是透过大量图片及文字描述，建立两者间的对应关系。其做法是利用ResNet50 等来萃取图像的特征，并映射到隐空间(Latent space)。也就是将图像编码成为隐空间向量。同时，也利用Transformer 萃取与图像相配对文句的特征，并将文句编码成为隐空间向量。最后经由模型训练来逐渐提高两个向量的相似度。换句话说，CLIP 能将图像和文句映像到同一个隐空间，因此可以迅速计算图像与文句的相似度。

换句话说，CLIP 发挥了隐空间的魅力，藉之学习整个文句与其对应的图像之间的关系。当我们在整个文句上训练时，它可以学到更多的隐藏的东西，并在图像和文句之间找到一些规律。因而，在当今主流的ChatGPT 和Stable Diffusion 大模型，其幕后都使用CLIP 来提供“文找图”和“图找文”的双向功能。在一般企业里，也常常需要上述的“文找图”和“图找文”双向功能。

2 以“商店柜台AI产品推荐”为例

这是一项CLIP 模型的应用案例。其应用于商家( 如便利商店) 柜台，进行瞬间实时商品推荐。典型的使用情境是：

1) 客人在便利商店里，挑选了一项产品，拿到柜台结账，例如青岛啤酒；

2) 柜台( 收银台) 正上方天花板设置一个Camera，立即拍下这张图像，如图1；

图1

3) 柜台的收款机(POS) 系统把这张图像，传送给后台的CLIP 模型；

4) 此时，CLIP 模型立即找出< 最接近( 相似)> 的产品图像，如图2；

图2

5) CLIP 模型回传给POS 系统，然后将这两张相关图像，显示于柜台的双向平板屏幕上，柜台人员和客人立即看到了（图3），达到促销的效益；

图3

6) 依不同客人结帐的产品，而立即找出最符合客人〈偏好〉的相关产品，达到实时推荐& 行销。再如，另一位客人购买产品是图4；

图4

7) CLIP 模型就立即找出< 最接近( 相似)> 的相关< 产品> 的图像，如图5；

图5

8) CLIP 模型回传给POS 系统，然后将这两张相关图像，显示于柜台的双向平板屏幕上，柜台人员和客人立即看到了，达到促销的效益。

上述的CLIP 模型是针对“产品”的。而一般POSPOS 机的人脸AI 是针对“人”。我们可以扩大建立一个商品推荐AI 模型，把两者汇合起来，就实现了“比客人更懂客人”的极佳效果了。

3 实现方法

接下来，就来说明如何实现上述的“商店柜台AI产品推荐”模型开发。

Step1下载CLIP源代码

下载网址是：https://github.com/moein-shariatnia/OpenAI-CLIP

Step2准备训练图像(Image)

在本范例里，收集了该商店的产品图像，共20张。放置在这活页夹/ox_super_market_data/train/ 里(图-6)：

图6 训练数据

Step3准备相对应的文本(Text)

在本范例里，会自动读取图像的文件名(File name)来做为图像的相互对应的文本。例如，图6 里的第0 张图，其檔名为：”天工贡糖_J”。于是，就撷取”天工贡糖”做为此图像的相对应文本，如图7所示。

图7 图与文的对应关系

Step4展开训练(Training))

接着，就基于上述图像数据、文本数据、以及它们之间的对应关系，来训练CLIP模型。如果使用一般的GPU硬件设备来进行训练，大约10 分钟即可训练5000回合。然后汇出*.ckpt 档案。

Step5应用(一)：图找文

训练好了CLIP 模型，就拿一些图像来检测看看CLIP 的< 图找文> 功能，如图8 里的图像。

图8 测试图像

在源码里也提供了CLIP 的预测功能，就搭配我们自己训练的模型( 即*.ckpt 档案)，来检验CLIP 的预测能力。例如输入图8 里的image_00.jpg 图像，CLIP 立即找出其< 最接近的> 文本，如图9。

图9 CLIP做了很棒的预测

Step6应用(二)：文找图

接下来，就拿一段文本来检测CLIP 的“文找图”功能。例如：输入文句：”有没有青岛山水美啤酒呢?”CLIP 找出其“最接近的”图象，如图10。

图10

根据图10的描述可以绘出该图像为图11，CLIP输出了美好的结果。

图11

Step8应用(三)：图找图

再来，就拿一张图检测看看CLIP 的“图找图”功能。例如：输入一张图，然后由CLIP 立即找出其“最接近的”图象，如图12，CLIP 的表现很棒。

图12

4 结语

本文以大家很能理解的应用案例，来让您体会CLIP 幕后的作业，尤其是它将图像特征，以及文本特征映像到隐空间，也就是将其编码成为隐空间向量，并计算其相似度。最后，基于相似性来找出“最接近的”图像或文本。

（本文来源于《EEPW》2023年11月期）