目录3.CSS三角 4.CSS用户界面样式4.1什么是界面样式 4.2轮廓线outline 4.3防止拖拽文本域resize 5.vertical-align属性5.1图片,表单都属于行内块元素，默认的vertical-align是基线对齐。5.2解决图片底部默认空白缝隙问题6.溢出的文字省略号显示1.单行文本溢出显示省略号--必须满足三个条件 2.多行文本溢出显示省略号小白送书活动3.CSS三角网页中常见一些三角形，使用css直接就可以画出来了，不必做成图片或者字体图标。三角制作.box1{width:0;height:0;border-top:10pxsolidpink;border-ri
文章目录论文信息摘要主要贡献verticallyfederatedGNN(VFGNN)执行过程1.生成初始节点嵌入2.生成局部节点嵌入3.生成全局节点嵌入4.采用DP增强隐私论文信息原文地址：https://www.ijcai.org/proceedings/2022/0272.pdf摘要GraphNeuralNetwork(GNN)hasachievedremarkableprogressesinvariousreal-worldtasksongraphdata,consistingofnodefeaturesandtheadjacentinformationbetweendifferent
文章目录论文信息摘要主要贡献verticallyfederatedGNN(VFGNN)执行过程1.生成初始节点嵌入2.生成局部节点嵌入3.生成全局节点嵌入4.采用DP增强隐私论文信息原文地址：https://www.ijcai.org/proceedings/2022/0272.pdf摘要GraphNeuralNetwork(GNN)hasachievedremarkableprogressesinvariousreal-worldtasksongraphdata,consistingofnodefeaturesandtheadjacentinformationbetweendifferent
文章目录前言0摘要1IntroductionandMotivatingWork2Approach2.0模型整体结构2.1数据集2.2选择一种高效的预训练方法2.3模型选择与缩放2.4训练3实验3.1zero-shot迁移3.1.1与VisualN-grams对比3.1.2PromptEngineeringandEnsembling3.1.3zero-shotCLIP性能分析3.2特征学习4ComparisontoHumanPerformance5数据重叠分析6Limitations7结论前言多模态模型：CLIP论文标题：LearningTransferableVisualModelsFromN
文章目录前言0摘要1IntroductionandMotivatingWork2Approach2.0模型整体结构2.1数据集2.2选择一种高效的预训练方法2.3模型选择与缩放2.4训练3实验3.1zero-shot迁移3.1.1与VisualN-grams对比3.1.2PromptEngineeringandEnsembling3.1.3zero-shotCLIP性能分析3.2特征学习4ComparisontoHumanPerformance5数据重叠分析6Limitations7结论前言多模态模型：CLIP论文标题：LearningTransferableVisualModelsFromN
CLIP（ContrastiveLanguage-ImagePre-Training）:利用文本的监督信号训练一个迁移能力强的视觉预训练模型通过对比学习,训练得到图片和文本的相似度,传闻使用4亿个配对的数据和文本来进行训练,不标注直接爬取的注意:由于训练数据基本都是英文,对英文支持的比较好用途:CLIP主要是用来做图片分类(计算图片和文本的相似度(关联度)),也可以辅助做GAN,检测,分割,检索等等以往我们训练一个猫狗分类模型，换一个线条猫，点云猫，油画猫，穿着奇装异服的猫，分类网络很难还认识，但是现在只要加上一个CLIP，模型马上就被扩展了.CLIP是如何训练的:CLIP是如何进行推理的:可
CLIP（ContrastiveLanguage-ImagePre-Training）:利用文本的监督信号训练一个迁移能力强的视觉预训练模型通过对比学习,训练得到图片和文本的相似度,传闻使用4亿个配对的数据和文本来进行训练,不标注直接爬取的注意:由于训练数据基本都是英文,对英文支持的比较好用途:CLIP主要是用来做图片分类(计算图片和文本的相似度(关联度)),也可以辅助做GAN,检测,分割,检索等等以往我们训练一个猫狗分类模型，换一个线条猫，点云猫，油画猫，穿着奇装异服的猫，分类网络很难还认识，但是现在只要加上一个CLIP，模型马上就被扩展了.CLIP是如何训练的:CLIP是如何进行推理的:可
目录摘要一、引言和激励性工作二、方法2.1自然语言监督2.2 创建一个足够大的数据集2.3 选择一种有效的预训练方法2.4选择和放缩一个模型2.5训练三、实验3.1零次迁移3.1.1激励Title：LearningTransferableVisualModelsFromNaturalLanguageSupervisionGithub：GitHub-openai/CLIP:ContrastiveLanguage-ImagePretrainingBlob：CLIP:ConnectingTextandImagesPaper：https://arxiv.org/abs/2103.00020摘要
目录摘要一、引言和激励性工作二、方法2.1自然语言监督2.2 创建一个足够大的数据集2.3 选择一种有效的预训练方法2.4选择和放缩一个模型2.5训练三、实验3.1零次迁移3.1.1激励Title：LearningTransferableVisualModelsFromNaturalLanguageSupervisionGithub：GitHub-openai/CLIP:ContrastiveLanguage-ImagePretrainingBlob：CLIP:ConnectingTextandImagesPaper：https://arxiv.org/abs/2103.00020摘要
概括模型总述本篇论文主要介绍DALL·E2模型，它是OpenAI在2022年4月推出的一款模型，OpenAI在2021年1月推出了DALL·E模型，2021年年底推出了GLIDE模型。DALL·E2可以根据文本描述去生成原创性的、真实的图像，这些图像从来没有在训练集里出现过，模型真的学习到了文本图像特征，可以任意地组合其概念、属性、风格。DALL·E2除了根据文本生成图像，还能根据文本对已有的图像进行编辑和修改——可以任意添加或者移除图像里的物体，修改时甚至可以把阴影、光线和物体纹理都考虑在内。DALL·E2可以在没有文本输入的情况下，做一些图像生成的工作——比如给定一张图像，它可以根据已有的
