在看 stable diffusion 代码的时候，发现基本上都会用一个库 CLIP，是 openai 开源出来的， openai/CLIP: Contrastive Language-Image Pretraining 可以把图像和文本转换到一个向量空间，最简单的应用是可以用文本搜索图片，像 stable diffusion 这种生成模型，其实就是好几种技术拼接在一起，才会有这样的效果。
图片搜索
Search photos on Unsplash using natural language 实现了文字到图片的搜索，原理非常简单，把要搜索的图片都转换面向量，把要搜索的文字也转换成向量，直接到这些向量就相似度就可以。
讓AI幫你穿搭！用CLIP實作一個時尚穿搭資料庫 (aif.tw)
