报错内容其实代码没啥问题，主要就是两个步骤。

报错内容其实代码没啥问题，主要就是两个步骤。

OutputStream和InputStream是针对程序来说的你把自己代入到程序的角色里就能想明白了OutputStream，输出流。对程序来说，我(程序)输出（比如输出到磁盘的某个txt文件里，写入到txt文件），可不就是写嘛。InputStream，输入流。对程序来说，向我(程序)输入的流，可不就是需要我(程序)来读取流的内容嘛。...

现有的基于dnn的跨媒体检索模型通常只关注保持耦合的跨模式项(如图像和文本片段)的成对相似性，它们共享语义标签并作为模型学习过程的输入。然而，对于一个模态的一个项，可能存在多个语义上不同的相同模态的项，因此只关注成对耦合的项是远远不够的。（就是一个视频片段，对应两个文本）因此，通过这种方法学习到的通用表示不能完全保留数据中潜在的跨模态语义结构。（其他相似的）。要保持这种结构，就需要最小化具有相同语

然后又用ffmpeg来压缩，先设置视频的帧率为为 20fps，然后再设置视频的码率为1Mb/s，最后发现视频也被压缩到80M，但是效果要好很多，清晰度也比较高。

学习视觉语义嵌入的最佳池策略摘要摘要视觉语义嵌入(Visual Semantic Embedding, VSE)是视觉语言检索中的一种主流方法，其目的是学习一个深度嵌入空间，使视觉数据嵌入到与其语义文本标签或描述相近的位置。我们发现，在不同的特征提取器中，非常简单(但精心挑选的)全局池函数(例如，最大池)的性能优于那些复杂的模型。尽管它简单有效，但为不同的数据模式和特征提取寻找最佳的池函数是昂贵和

bert就是transformer的encoder输入seq，输出seq先决定盖哪几个，再决定怎么盖然后输出输出的就是一个向量，里面就是词典所有的单词的概率（是吗）然后跟我那个真实值，最小化，（就是一个分类问题），训练的时候，bert里面的参数和我们那个liner的参数一起训练。除了上述的mask之外，还会预测下一个句子这个输出的yes或者or，意思就是我这两个句子是不是相接的，后来说这个方法其实

  本文的目标是将图文模型应用于长视频检索。最近的研究表明，通过采用CLIP，视频检索具有最先进的性能，有效地搭乘了视频任务的图文表示。然而，在学习时间聚合方面取得的成功有限，其性能优于平均池化由 CLIP 每帧提取的图像级表示。我们发现，通过查询评分的帧嵌入加权平均值的简单而有效的基线是比所有先前的时间建模尝试和均值池化的显着改进。通过这样做，我们提供了一个改进的基准，以供其他人进行比较，并在一

如何理解 Transformer 中的 Query、Key 与 Value这一篇主要是帮助你用比喻的手法来了解一下attention机制中的query,key,value的概念解释这一篇帮你用图来了解过程如何理解 Transformer 中的 Query、Key 与 Value这一篇总结收尾就是Query*Key其实就是计算相关度或叫依赖度，然后经过softmax转为权重，针对可能的y计算加权和就

多语言英德图像描述 摘要1 介绍2 Multi30K数据集2.1翻译2.2独立描述2.3翻译VS独立的描述2.4 English vs. German3 讨论3.1 Multi30K for Image Description （没用）3.2 Multi30K for Machine Translation（没用）4结论摘要我们引入Multi30K数据集来刺激多语言多模态研究。图像描述的最新进展几