开头部分

1. 要点一

从文章题目来看-目的是：使用文本监督得到一个可以迁移的 视觉系统

2.要点二

之前是 fix-ed 的class 有诸多局限性，所以现在用大量不是精细标注的数据来学将更好，利用的语言多样性。——这个方法在 nlp其实广泛的存在，但是视觉还是在imagenet上pretrain所以有诸多限制。

3.要点三
clip模型做的是迁移学习和泛化学习。
效果特别好：比imagenet好很多，不同域数据都能很好分类

方法部分

1.制作了数据集——webimagetext
2.how to train a large model on GPUs?
3.对比学习效率最高
4. zero-shot transfer：
自监督-弱监督： 很好的特征。但是下游任务还是得微调（distribute shift、下游数据不好收集）。clip就是为了不微调，用文本进行微调。
5.Prompt 提示模板：
适合研究，因为不需要预训练（太费时间）。很有用，在推理的时候用

6.效果

局限性部分：

1.数据减少：
自训练、自监督方法
2.ood 数据还是不行

下游应用

1.adapter、efficient finetuning:
已有的模型参数更好能应用到下游任务中
2.三种方式进行应用clip：
1）最小的 方式：直接使用特征，加进已有设计好原来的模型里面
2）蒸馏方法：利用clip的知识帮助我的模型收敛更快
3）不借鉴参数：自己定义自己的对比学习，设计正负样本来训练模型。

总结

不改变大模型的参数，只是训练万分之一的参数来进行。更好