Quiz lié à un guide · Moyen Niveau

Quiz sur les modèles CLIP et Vision-Langage

Passez en revue les représentations partagées et l'appariement contrastif de CLIP, avec des étiquettes zéro-shot, des familles d'encodeurs d'origine, des décomptes de scores par lots et unCLIP.

Chemins de guidage associésModèles de langage Clip et Vision
Question 1 de 8

Quelle est l’idée centrale derrière CLIP ?

Prévisualisez chaque question8 des questions

Les réponses et les explications apparaissent au fur et à mesure que vous répondez au quiz.

  1. Quelle est l’idée centrale derrière CLIP ?
    • Compresser des images en fichiers plus petits
    • Placer des images et du texte dans le même espace d'intégration partagé
    • Générer des modèles 3D à partir de photos
    • Traduire un discours en texte
  2. Quelle approche de formation le CLIP utilise-t-il ?
    • Apprentissage par renforcement à partir des commentaires humains
    • Étiqueter manuellement chaque objet de chaque image
    • Apprentissage contrasté qui rassemble les paires image-texte correspondantes
    • Copier des poids à partir d'un modèle vocal
  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. Comment CLIP mesure-t-il si une image et une légende correspondent ?
    • Par comparaison de taille de fichier
    • En comptant les pixels de chaque couleur
    • En vérifiant l'horodatage de l'image
    • Par similarité cosinus entre leurs vecteurs
  5. Sur quelle quantité de données environ CLIP a-t-il été formé ?
    • Quelques milliers d'images étiquetées à la main
    • Seulement du texte, pas d'images
    • Environ 400 millions de paires image-texte provenant du Web
    • Une collection muséale unique
  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