Quiz collegato alla guida · Medio Livello

Quiz sui modelli CLIP e linguaggio-visivo

Esamina le rappresentazioni condivise e l'abbinamento contrastivo di CLIP, con etichette zero-shot, famiglie di codificatori originali, conteggi di punteggi batch e unCLIP.

Domanda 1 di 8

Qual è l'idea alla base di CLIP?

Anteprima di ogni domanda8 domande

Le risposte e le spiegazioni vengono visualizzate mentre rispondi al quiz.

  1. Qual è l'idea alla base di CLIP?
    • Compressione delle immagini in file più piccoli
    • Posizionamento di immagini e testo nello stesso spazio di incorporamento condiviso
    • Generazione di modelli 3D da foto
    • Tradurre il discorso in testo
  2. Quale approccio formativo utilizza CLIP?
    • Apprendimento per rinforzo dal feedback umano
    • Etichettatura manuale di ogni oggetto in ogni immagine
    • Apprendimento contrastivo che mette insieme le coppie immagine-testo corrispondenti
    • Copiare i pesi da un modello vocale
  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. In che modo CLIP misura se un'immagine e una didascalia corrispondono?
    • Confronto delle dimensioni del file
    • Contando i pixel di ciascun colore
    • Controllando il timestamp dell'immagine
    • Per somiglianza coseno tra i loro vettori
  5. Approssimativamente su quanti dati è stato addestrato CLIP?
    • Alcune migliaia di immagini etichettate a mano
    • Solo testo, nessuna immagine
    • Dal web circa 400 milioni di coppie immagine-testo
    • Un’unica collezione museale curata
  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