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.

Související vodicí cestyJazykové modely klipů a vize
Otázka 1 z 8

Jaká je hlavní myšlenka CLIP?

Náhled každé otázky8 otázky

Odpovědi a vysvětlení se zobrazují, jak budete v kvízu.

  1. 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
  2. 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
  3. 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
  4. Jak CLIP měří shodu obrázku a titulku?
    • Podle srovnání velikosti souboru
    • Počítáním pixelů každé barvy
    • Kontrolou časového razítka obrázku
    • Kosinovou podobností mezi jejich vektory
  5. 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
  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