CLIP 的零样本分类：一组文本如何变成图像分类器？

CLIP 的零样本分类不依赖固定分类头，而是把候选类别写成 "a photo of a cat" 这类 Prompt，经 Text Encoder 编码后与图像向量做相似度比较，取 Softmax 概率最高者作为预测。