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।
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।
- 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
- 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
- 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
- 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
- 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
- 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
- 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
- A CLIP batch contains 32 paired images and texts. How many entries are in its full cross-modal score matrix?
- 1024
- 32
- 64
- 992