গাইড লিঙ্ক ক্যুইজ · মাঝারি স্তর

CLIP এবং ভিশন-ভাষা মডেল কুইজ

জিরো-শট লেবেল, আসল এনকোডার ফ্যামিলি, ব্যাচ-স্কোর গণনা এবং আনসিএলআইপি সহ CLIP-এর শেয়ার করা উপস্থাপনা এবং বিপরীত পেয়ারিং পর্যালোচনা করুন।

সম্পর্কিত গাইড পাথক্লিপ এবং দৃষ্টি ভাষা মডেল
প্রশ্ন 1 এর 8

CLIP এর পিছনে মূল ধারণা কি?

প্রতিটি প্রশ্নের পূর্বরূপ দেখুন8 প্রশ্ন

আপনি কুইজ নেওয়ার সাথে সাথে উত্তর এবং ব্যাখ্যাগুলি উপস্থিত হয়।

  1. CLIP এর পিছনে মূল ধারণা কি?
    • ছোট ফাইলে ছবি কম্প্রেস করা
    • একই শেয়ার্ড এমবেডিং স্পেসে ছবি এবং টেক্সট স্থাপন করা
    • ফটো থেকে 3D মডেল তৈরি করা হচ্ছে
    • টেক্সট মধ্যে বক্তৃতা অনুবাদ
  2. CLIP কোন প্রশিক্ষণ পদ্ধতি ব্যবহার করে?
    • মানুষের প্রতিক্রিয়া থেকে শক্তিবৃদ্ধি শিক্ষা
    • প্রতিটি ইমেজে প্রতিটি বস্তুর হাতে লেবেল করা
    • বিপরীত শিক্ষা যা মিলে যাওয়া ইমেজ-টেক্সট জোড়াকে একসাথে টানে
    • একটি বক্তৃতা মডেল থেকে ওজন অনুলিপি
  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. CLIP কিভাবে একটি চিত্র এবং একটি ক্যাপশন মেলে কিনা তা পরিমাপ করে?
    • ফাইল আকার তুলনা দ্বারা
    • প্রতিটি রঙের পিক্সেল গণনা করে
    • ছবির টাইমস্ট্যাম্প চেক করে
    • তাদের ভেক্টরের মধ্যে কোসাইন সাদৃশ্য দ্বারা
  5. মোটামুটিভাবে CLIP কত ডেটার উপর প্রশিক্ষিত ছিল?
    • কয়েক হাজার হাতে লেবেলযুক্ত ছবি
    • শুধুমাত্র টেক্সট, কোন ছবি
    • ওয়েব থেকে প্রায় 400 মিলিয়ন ইমেজ-টেক্সট জোড়া
    • একটি একক কিউরেটেড যাদুঘরের সংগ্রহ
  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