[LAB 12 · CLIP延伸：缓存与检索（近似索引选读）](/course/notebooks/921eeaf784284ce19568c6ca7619b55a.html)

# 1 · 输入、来源、编码和缓存身份
[独立阅读](/course/notebook-blocks/687d09fc176e4c64a0bf836efcbe03f1.html)
并入相关学习路径

同一CLIP缓存、exact/IVF搜索、延迟/扫描量、区域交互基线

## 1 · 输入、来源、编码和缓存身份

六张照片来自 scikit-image 0.25.2：Chelsea 猫（Stefan van der Walt，CC0）、宇航员（NASA，公共领域）、咖啡（Rachel Michetti，CC0）、摄影者（Lav Varshney，CC0）、火箭（SpaceX，公共领域）和星系深场（NASA，公共领域）。原始照片、授权说明、逐文件 SHA-256 均在 `assets/manifest.json`。每张图生成 full、center90、left90、right90 四个确定性视图，共 24 个索引项。每类有两条人工写定查询，共 12 条。

四个视图来自同一张图，彼此高度相关；这里没有训练／测试拆分，因为没有拟合视觉模型。它们用来观察索引分桶与排序，不是 24 张独立测试照片，更不是六类泛化性能评估。聚类训练只拟合无监督检索索引，不会重新训练 CLIP。

![六张真实照片组成的小图库](/assets/display/61b4b65c7be015d923cad24b.webp)

真实编码在 2026-09-22 本地 CPU 运行。图像和文字预处理、checkpoint revision 和哈希与 LAB 04 相同；512 维特征分别做 L2 归一化，缓存为 float32。`gallery` shape 为 `[24,512]`，`queries` 为 `[12,512]`。直接把旧猫图四个分数拼成“图像向量”是不合法的：当前包保存的是实际编码器的完整输出。

[下载独立材料](/course/materials/lecture03-clip-retrieval.zip)。默认只需 `requirements-cache.txt`；完整重算编码需额外 `requirements-inference.txt`、`python fetch_clip.py` 和 `python run_clip_retrieval.py --encode`。缓存原始生成时间和当前读缓存的时间分开记录。