clip代码详解

相关代码链接见文末

1.数据及流程 

        CLIP整体流程如下，首先对图像提特征、对文本提特征，并进行配对，计算出余弦相似度，另外，图像自身和文本自身进行自监督学习，因此loss函数有3个部分，包含图像的自监督学习、文本的自监督学习以及图像和文本的配对 

2.图像特征提取损失和文本特征提取损失

        在图像的特征提取中，分别对图像进行两种不同的数据增强q,k，并传入VIT进行特征提取。   

代码如下:

class SimCLR(nn.Module):
    def __init__(
        self,
        net,
        image_size,
        channels = 3,
        hidden_layer = -2,
        project_hidden = True,
        project_dim = 128,
        augment_both = True,
        use_nt_xent_loss = False,
        augment_fn = None,
        temperature = 0.1
    ):
        super().__init__()