Útmutatóhoz kapcsolódó kvíz · Közepes Szint

CLIP és Vision-Language Models kvíz

Review CLIP’s shared representations and contrastive pairing, with zero-shot labels, original encoder families, batch-score counts, and unCLIP.

Kapcsolódó útmutató utakKlip és látás nyelvi modellek
kérdés 1 -ból 8

Mi a CLIP alapötlete?

Tekintse meg az összes kérdést8 kérdéseket

A válaszok és magyarázatok megjelennek a kvíz kitöltésekor.

  1. Mi a CLIP alapötlete?
    • Képek tömörítése kisebb fájlokba
    • Képek és szöveg elhelyezése ugyanabban a megosztott beágyazási térben
    • 3D modellek generálása fényképekből
    • Beszéd szöveggé fordítása
  2. Milyen képzési megközelítést alkalmaz a CLIP?
    • Az emberi visszajelzésekből való tanulás megerősítése
    • Kézi címkézés minden tárgy minden képen
    • Kontrasztív tanulás, amely összeilleszti a megfelelő kép-szöveg párokat
    • Súlyok másolása beszédmodellből
  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. Hogyan méri a CLIP, hogy egy kép és egy felirat egyezik-e?
    • Fájlméret-összehasonlítás alapján
    • Az egyes színek pixeleinek megszámlálásával
    • A kép időbélyegének ellenőrzésével
    • A vektoraik közötti koszinusz hasonlóság alapján
  5. Körülbelül mennyi adatra képezték ki a CLIP-et?
    • Néhány ezer kézzel felcímkézett kép
    • Csak szöveg, képek nélkül
    • Körülbelül 400 millió kép-szöveg pár az internetről
    • Egyetlen múzeumi gyűjtemény
  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