标题：用GPT-4增强CLIP:利用视觉描述作为提示 源文链接：Maniparambil_Enhancing_CLIP_with_GPT-4_Harnessing_Visual_Descriptions_as_Prompts_ICCVW_2023_paper.pdf (thecvf.com)https://openaccess.thecvf.com/content/ICCV2023W/MMF

简介 参考Pytorch官方的代码Adversarial Example Generation 参数设置(main.py) # 模型选择：GPUdevice = 'mps' if torch.backends.mps.is_available() else 'cpu'# 数据集位置dataset_path = '../../../Datasets'batch_size =

论文摘要 AdversarialExample的延伸，表明不仅仅只有NeuralNetwork有这种现象，在此文章之前对该问题的解释集中在nonlinearity和overfitting上。但是本文提出这些算法对于对抗样本脆弱性的主要原因正是在于它们线性的本质。并通过定量分析来解释Adversarial Example在不同架构不同数据集能够work的原因。并以此提出一种快速产生Adversar

阅读感想：最近在总结关于规则怎么与神经网络相结合，所以阅读了ACL16的这篇文章。这篇文章是规则融入神经网络的一篇经典文章，其他关于规则与神经网络结合的文章的思想与这篇并无太大区别，只是具体实现方式不同。 问题背景：数据驱动的深度学习方法给人工智能的各个方向带来了巨大的变化，但这种方法依赖大量的标签数据且具有可解释性差、难训练等问题。事实上，人类的行为表明，人类的学习不仅来源于具体的例子，还来源