任务
Image captioning，即看图说话，对输入图像做有意义且有效的文字描述。应用可以是：目标检测。
方法
ClipCap
- 使用CLIP的image encoder（冻结）将图片转换为embedding；
- 将embedding和学习得到的常量输入到mapping network（轻量，基于transformer），得到Prefix embedding；
- （推理时）将Prefix embedding输入到语言模型（冻结的GPT2），得到Caption tokens。
只有mapping network需要训练，一张1080使用300万样本训80小时即可。
训练
给定（image，caption）数据集合，我们的目标是从没见过的image生成有意义的caption（看成padding到定长的token序列
）。训练目标：
是可训练的参数（mapping network的参数）。
我们将图片语义（由CLIP的image encoder提供语义丰富的embedding）这一condition作为caption的前缀。由于图片语义已经包含在了前缀中，我们可以使用自回归语言模型，在不考虑未来token的情况下，预测下一个token。
所以训练目标就是：
怎么把图片语义转化成前缀用作自回归的condition呢？这里用到mapping network，它以为输入)，输出
（
个embedding vector），每个embedding vector和语言模型的token embedding形状相同。
在训练中，我们拼接和
得到
。损失函数用了二分类交叉熵：
语言模型微调
训练中最大的挑战在于，怎么互译CLIP和语言模型的给出的表征。即便语义都很丰富，表征空间仍是不同的，并且训练数据集也会带来差异。因此要在训练mapping network的同时对语言模型做微调。但微调会让训练的参数量大大增加。所以作者参考Prefix Tuning设计了一个附加的量，而让语言模型在训练中冻结。（作者还解释了下为什么不对CLIP的image encoder做微调，因为试了没用）
Prefix Tuning还没看完
。。。。。。。。。。。。。。。。。
