Kuis terkait panduan · Sedang Tingkat

CLIP dan Kuis Model Bahasa Visi

Tinjau representasi bersama CLIP dan pemasangan kontras, dengan label zero-shot, kelompok encoder asli, jumlah skor batch, dan unCLIP.

Jalur panduan terkaitModel Bahasa Klip Dan Visi
Pertanyaan 1 dari 8

Apa ide inti di balik CLIP?

Pratinjau setiap pertanyaan8 pertanyaan

Jawaban dan penjelasan muncul saat Anda mengikuti kuis.

  1. Apa ide inti di balik CLIP?
    • Mengompresi gambar menjadi file yang lebih kecil
    • Menempatkan gambar dan teks ke dalam ruang penyematan bersama yang sama
    • Menghasilkan model 3D dari foto
    • Menerjemahkan ucapan ke dalam teks
  2. Pendekatan pelatihan apa yang digunakan CLIP?
    • Pembelajaran penguatan dari umpan balik manusia
    • Memberi label tangan pada setiap objek di setiap gambar
    • Pembelajaran kontrastif yang menyatukan pasangan gambar-teks yang cocok
    • Menyalin bobot dari model ucapan
  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. Bagaimana CLIP mengukur apakah gambar dan keterangan cocok?
    • Dengan perbandingan ukuran file
    • Dengan menghitung piksel setiap warna
    • Dengan memeriksa stempel waktu gambar
    • Dengan kesamaan kosinus antara vektor-vektornya
  5. Kira-kira berapa banyak data yang dilatih CLIP?
    • Beberapa ribu gambar berlabel tangan
    • Hanya teks, tidak ada gambar
    • Sekitar 400 juta pasangan gambar-teks dari web
    • Satu koleksi museum yang dikurasi
  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