Викторина, связанная с руководством · Средний Уровень

Викторина по CLIP и Vision-Language Models

Ознакомьтесь с общими представлениями CLIP и контрастными парами с метками нулевого выстрела, оригинальными семействами кодировщиков, подсчетом пакетных оценок и unCLIP.

Связанные направляющие путиЯзыковые модели клипов и видения
Вопрос 1 из 8

Какова основная идея CLIP?

Предварительный просмотр каждого вопроса8 вопросы

Ответы и пояснения появляются по мере прохождения теста.

  1. Какова основная идея CLIP?
    • Сжатие изображений в файлы меньшего размера
    • Размещение изображений и текста в одном общем пространстве встраивания
    • Создание 3D-моделей из фотографий
    • Перевод речи в текст
  2. Какой подход к обучению использует CLIP?
    • Обучение с подкреплением на основе отзывов людей
    • Ручная маркировка каждого объекта на каждом изображении
    • Контрастное обучение, которое объединяет совпадающие пары изображение-текст.
    • Копирование весов из речевой модели
  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. Как CLIP определяет соответствие изображения и подписи?
    • По сравнению размеров файлов
    • Путем подсчета пикселей каждого цвета
    • Проверив временную метку изображения
    • По косинусному подобию их векторов
  5. На каком примерно объеме данных был обучен CLIP?
    • Несколько тысяч изображений, помеченных вручную.
    • Только текст, без изображений
    • Около 400 миллионов пар изображение-текст из Интернета.
    • Единая музейная коллекция
  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