1.文本编码

简介： 即通过embedding将字符向量化，进入模型即可。

2. ViT图像编码器

释义：

1. 图片是由一个个像素点构成的，每个像素点是1-255的数，所以图片其实是天然的矩阵。
2. 将图片切割成单独的小的部分，延展开，就和文本一样是一些序列，通过Patches，embedding成向量，并且加上位置信息position。
3. 输入到transformer结构的编码器中，encoder。

2.1图像矩阵self-attention计算：

示例图如下：

3.Transformer多模态

简介： 即在图文的两种模态模型中，使用transformer的做法。

3.1CLIP 图文交互

释义：

1. 即将图片和文本分布输入各自得编码器得到向量。
2. 将图片和文本的向量进行相关性计算，这样就可以得到一个图片和文本匹配的模型。

作用： 文搜图的功能，以及得到两个较好的文本、图像编码器。

3.2 对比学习训练

释义：

1. 通过图像和文本编码器后，得到各个样本的数据
2. 进行图像和文本的关系计算，这里每一个图片都只有一个正样本，其他的都是负样本，可以得到一个区分识别图片内容的模型。

3.3 flamingo 图文交互

释义：

1. 通过self-attention计算文本和图片中的关系时，将文本输入作为Q；图像输入作为K、V计算

示意图：

3.4 LLava 图文交互

释义： 即将文本和图像内容拼接在一起送入到self-attention中，即计算图片与图片、文本与文本、还包括图片与文本之间的关系。