金磊 发自 凹非寺
量子位 报道 | 公众号 QbitAI
别再怕图片搜索结果牛头不对马嘴了，你可以试试这个精准图片搜索，来自OpenAI最新的技术CLIP。
只需一句“大白话”描述，便能给出想要的图片。
例如输入：
The word love written on the wall
就会得到这样的结果：
可以说是相当的精准了！这就是今天在Reddit上爆火的一个项目。
这个项目利用到的，便是OpenAI前不久频频刷屏的DALLE中的核心模块CLIP，一个负责重排序（rerank）的模型。
这个项目使用谷歌Colab Notebook，而且在线、免费，包含200万图片数据集，最重要的是效果还非常的精准。
不禁引得网友直呼“Amazing”。
简单几步，“大白话”在线精准搜图
这个项目之所以如此火爆，操作简单是很重要的一个原因之一。
首先要做的，就是点开该项目在Colab Notebook中的地址（见文末链接），登陆自己的账号。
至于环境配置、包或库的调用，这个项目非常贴心的已经做好了，只需要依次点击cell左侧的小三角，等待运行完成即可。
最后，来到包含如下代码的cell：
search_query = “Two dogs playing in the snow”
点击运行这个cell，便可得到搜索图片的结果，例如：
当然，这个程序似乎很懂人，若是输入“当你的代码跑通时的情绪”：
The feeling when your program finally works
得到的结果，和正常人想象中的应该是一致的：
为什么CLIP搜图能如此精准？
OpenAI前不久推出的DALLE，主要能实现的功能就是 可以按照文字描述、生成对应图片。
而其呈现给我们的最终作品，其实是它生成大量图片中的一部分。
在中间过程中，其实也有排名、打分的帅选过程。
这部分的任务，便是由CLIP来完成：
越是它看得懂、匹配度最高的作品，分数就会越高，排名也会越靠前。
这种结构，有点像是利用生成对抗文本，以合成图像的GAN。
不过，相比于利用GAN扩大图像分辨率、匹配图像-文本特征等方法，CLIP则选择了直接对输出进行排名。
据研究人员表示，CLIP网络的最大意义在于，它缓解了深度学习在视觉任务中，最大的两个问题。
首先，它降低了深度学习需要的数据标注量。
相比于手动在ImageNet上，用文字描述1400万张图像，CLIP直接从网上已有的“文字描述图像”数据中进行学习。
此外，CLIP还能“身兼多职”，在各种数据集上的表现都很好（包括没见过的数据集）。
但此前的大部分视觉神经网络，只能在训练的数据集上有不错的表现。
例如，CLIP与ResNet101相比，在各项数据集上都有不错的检测精度，然而ResNet101在除了ImageNet以外的检测精度上，表现都不太好。
具体来说，CLIP用到了零样本学习（zero-shot learning）、自然语言理解和多模态学习等技术，来完成图像的理解。
例如，描述一只斑马，可以用“马的轮廓+虎的皮毛+熊猫的黑白”。这样，网络就能从没见过的数据中，找出“斑马”的图像。
最后，CLIP将文本和图像理解结合起来，预测哪些图像，与数据集中的哪些文本能完成最好的配对。
网友：机器人（bot）可能不太高兴
在惊叹CLIP用“大白话”搜索图片效果之余，一位Reddit网友还发现了一个比较有意思的搜索结果。
他在文本描述的代码部分输入：
What image best represents how you feel right now？
这句话在我们人类眼中，应当是询问AI的语气了，然后出来的图片结果是这样的：
还有这样的：
嗯，看来是被“玩多了”，AI宝宝有点小脾气了。
