Kvíz spojený s průvodcem · Střední úroveň
CLIP a kvíz o modelech v jazyce vidění
Prohlédněte si sdílené reprezentace a kontrastní párování CLIP s popisky s nulovým snímkem, původními rodinami kodéru, počty skóre v dávce a unCLIP.
Otázka 1 z 8
Jaká je hlavní myšlenka CLIP?
Náhled každé otázky8 otázky
Odpovědi a vysvětlení se zobrazují, jak budete v kvízu.
- Jaká je hlavní myšlenka CLIP?
- Komprese obrázků do menších souborů
- Umístění obrázků a textu do stejného sdíleného prostoru pro vkládání
- Generování 3D modelů z fotografií
- Překlad řeči do textu
- Jaký tréninkový přístup používá CLIP?
- Posílení učení z lidské zpětné vazby
- Ruční označení každého objektu na každém obrázku
- Kontrastivní učení, které spojuje páry obrázků a textu dohromady
- Kopírování vah z řečového modelu
- Co znamená klasifikace zero-shot v původním nastavení přenosu CLIP?
- 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
- Jak CLIP měří shodu obrázku a titulku?
- Podle srovnání velikosti souboru
- Počítáním pixelů každé barvy
- Kontrolou časového razítka obrázku
- Kosinovou podobností mezi jejich vektory
- Na jakém množství dat byl přibližně CLIP trénován?
- Několik tisíc ručně označených obrázků
- Pouze text, žádné obrázky
- Přibližně 400 milionů párů obrázků a textu z webu
- Jediná kurátorská muzejní sbírka
- 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