用CNN+RNN实现image-to-text任务：原理讲解和代码实现

前言：text-image配对数据集并不是珍贵的，OpenAI为了训练GLIDE等大模型，曾经使用十亿量级的text-image数据集，而这些数据集主要是从互联网上爬取过滤的。image-to-text作为image-to-text的镜像问题，相关的研究少了很多。我们可以用CNN+LSTM搭建一个成功的模型用于完成这一任务。

目录

方法详解

整体流程

编码器：CNN

解码器：LSTM