传统多模态模型以及一些笔记vilt，clip, albef, vlmo, blip, coca, beit v3

为了让模型对整个图像有一个整体的理解,我们引入了转换器和多头注意来构建一个具有编码器-解码器注意机制架构的网络，该架构可以用语言表达“查询”给定的图像。此外，我们提出了一个查询生成模块，该模块产生多组具有不同关注权重的查询，这些查询代表了从不同方面对语言表达的不同理解。同时，为了从这些基于视觉线索的多样化理解中找到最佳方法，我们进一步提出了一个查询平衡模块，自适应地选择这些查询的输出特征，以更好地

屯点例题，自用

是第一次使用deeplabcut遇到的一些问题以及使用方法，会引用一些他人写的文章以及视频链接来帮助大家解决问题，能读其他人文章好解决的我就不写了hhhhh希望本篇文章能帮大家避坑TWT，这儿踩过的坑会重点强调一下（会持续更新的！带有（GPU）就是Deeplabcut-GPU版本中会使用到的，CPU用户可以跳过的部分。—DLC主打动物2D身体点追踪，有预训练网络以及ResNet50、101等可选训