利用文本的监督信号训练一个迁移能力强的视觉模型!这个模型有什么用呢？想象我们有一个图像分类的任务训练1000个类别，预测一张图片是这1000个类别中的哪一类现在如果加入50个新的类别的图像，试想会发生什么呢？传统的图像分类模型无法对类别进行拓展，想要保证准确率只能从头开始训练，费时费力。CLIP模型就可以用来解决这种问题，预训练后的模型就可以直接进行zero-shotCLIP论文指出，17年就已经