गाइड से जुड़ी प्रश्नोत्तरी · मध्यम स्तर

सीएलआईपी और विजन-भाषा मॉडल प्रश्नोत्तरी

शून्य-शॉट लेबल, मूल एनकोडर परिवार, बैच-स्कोर गणना और अनसीएलआईपी के साथ सीएलआईपी के साझा प्रतिनिधित्व और विरोधाभासी युग्मन की समीक्षा करें।

संबंधित मार्गदर्शक पथक्लिप और विज़न भाषा मॉडल
प्रश्न 1 का 8

सीएलआईपी के पीछे मूल विचार क्या है?

प्रत्येक प्रश्न का पूर्वावलोकन करें8 प्रश्न

जैसे ही आप प्रश्नोत्तरी लेते हैं उत्तर और स्पष्टीकरण दिखाई देते हैं।

  1. सीएलआईपी के पीछे मूल विचार क्या है?
    • छवियों को छोटी फ़ाइलों में संपीड़ित करना
    • छवियों और पाठ को समान साझा एम्बेडिंग स्थान में रखना
    • तस्वीरों से 3डी मॉडल तैयार करना
    • भाषण का पाठ में अनुवाद करना
  2. सीएलआईपी किस प्रशिक्षण दृष्टिकोण का उपयोग करता है?
    • मानवीय प्रतिक्रिया से सुदृढीकरण सीखना
    • प्रत्येक छवि में प्रत्येक वस्तु को हाथ से लेबल करना
    • विरोधाभासी शिक्षा जो मेल खाती छवि-पाठ जोड़ियों को एक साथ खींचती है
    • भाषण मॉडल से वज़न की प्रतिलिपि बनाना
  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 यह कैसे मापता है कि कोई छवि और कैप्शन मेल खाते हैं या नहीं?
    • फ़ाइल आकार तुलना द्वारा
    • प्रत्येक रंग के पिक्सेल की गिनती करके
    • छवि के टाइमस्टैम्प की जाँच करके
    • उनके सदिशों के बीच कोसाइन समानता द्वारा
  5. सीएलआईपी को मोटे तौर पर कितने डेटा पर प्रशिक्षित किया गया था?
    • कुछ हज़ार हाथ से लेबल वाली छवियां
    • केवल पाठ, कोई चित्र नहीं
    • वेब से लगभग 400 मिलियन छवि-पाठ जोड़े
    • एक एकल क्यूरेटेड संग्रहालय संग्रह
  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