对比语言图像预训练（CLIP）
虽然prompt-tuning用于textual inputs，但是建议CLIP Adapter在视觉或语言分支上使用功能适配器进行fine-tune
CLIPAdapter采用了一个额外的瓶颈层来学习新的特征，并将剩余的特征与原始的预训练特征进行混合。
为了更好地适应vision语言模型，使用功能适配器，而不是快速调整
1. Classifier Weight Generation for Few-Shot Learning
Co0P方法
a classifier weight matrix W（D,K），D维度，K类别分类，得到K-维度 logit
hard-prompt，pre-defined hard prompt template H.
soft-prompt，random-initialized learnable soft tokens
2. CLIP Adapter
只在CLIP的语言和图像分支上附加少量可学习的瓶颈线性层,在few-shot , fine-tuning期间，保持原始clip主干冻结。
然而，使用附加层进行简单的微调在few-shot中仍然可能会陷入过度拟合。为了解决过拟合问题，提高CLIP-Adapter的鲁棒性，进一步采用残差连接，将微调后的知识与CLIP主干中的原始知识动态融合。
image feature f ， classifier weight W
