Тест, свързан с ръководство · Среден Ниво

CLIP и Викторина за модели на визуален език

Прегледайте споделените представяния на CLIP и контрастното сдвояване, с етикети с нулев удар, оригинални фамилии на енкодери, преброяване на партидни резултати и unCLIP.

Свързани ръководни пътекиЕзикови модели на клип и визия
Въпрос 1 на 8

Каква е основната идея зад CLIP?

Визуализирайте всеки въпрос8 въпроси

Отговорите и обясненията се появяват, докато отговаряте на теста.

  1. Каква е основната идея зад CLIP?
    • Компресиране на изображения в по-малки файлове
    • Поставяне на изображения и текст в едно и също споделено пространство за вграждане
    • Генериране на 3D модели от снимки
    • Превод на реч в текст
  2. Какъв подход за обучение използва CLIP?
    • Подсилващо обучение от човешка обратна връзка
    • Ръчно етикетиране на всеки обект във всяко изображение
    • Контрастно обучение, което обединява съвпадащи двойки изображение-текст
    • Копиране на тегла от речев модел
  3. What does zero-shot classification mean in the original CLIP transfer setup?
    • Using text-defined candidate categories without new task-specific supervised classifier fitting
    • Using a model that never received any pretraining data
    • Running without any computation or electricity
    • A guarantee that every category is classified correctly
  4. Как CLIP измерва дали изображение и надпис съвпадат?
    • Чрез сравнение на размера на файла
    • Чрез преброяване на пикселите от всеки цвят
    • Чрез проверка на времевия печат на изображението
    • По косинус подобие между техните вектори
  5. Приблизително върху колко данни е обучен CLIP?
    • Няколко хиляди ръчно етикетирани изображения
    • Само текст, без изображения
    • Около 400 милиона двойки изображение-текст от мрежата
    • Една единствена курирана музейна колекция
  6. How does the cited unCLIP image-generation paper use CLIP representations?
    • The original standalone CLIP encoder directly outputs every image pixel
    • A prior supplies CLIP image embeddings to a generative decoder
    • It removes all image representations and uses only filenames
    • It uses CLIP only as a network-encryption protocol
  7. Which image-encoder families were evaluated in the original CLIP paper?
    • Only recurrent text encoders
    • Only a mandatory linear pixel average
    • Only a raw audio codec
    • Modified ResNets and Vision Transformers
  8. A CLIP batch contains 32 paired images and texts. How many entries are in its full cross-modal score matrix?
    • 1024
    • 32
    • 64
    • 992