แบบทดสอบที่เชื่อมโยงกับคำแนะนำ · ปานกลาง ระดับ

แบบทดสอบคลิปและภาษาวิสัยทัศน์

ตรวจสอบการนำเสนอที่ใช้ร่วมกันและการจับคู่ที่ตัดกันของ CLIP ด้วยป้ายกำกับแบบ Zero-shot ตระกูลตัวเข้ารหัสดั้งเดิม จำนวนคะแนนแบทช์ และ unCLIP

เส้นทางแนะนำที่เกี่ยวข้องโมเดลภาษาคลิปและวิชั่น
คำถาม 1 ของ 8

แนวคิดหลักเบื้องหลัง CLIP คืออะไร?

ดูตัวอย่างทุกคำถาม8 คำถาม

คำตอบและคำอธิบายจะปรากฏขึ้นเมื่อคุณทำแบบทดสอบ

  1. แนวคิดหลักเบื้องหลัง CLIP คืออะไร?
    • การบีบอัดรูปภาพให้เป็นไฟล์ขนาดเล็ก
    • การวางรูปภาพและข้อความลงในพื้นที่ฝังที่ใช้ร่วมกันเดียวกัน
    • การสร้างโมเดล 3 มิติจากภาพถ่าย
    • การแปลคำพูดเป็นข้อความ
  2. CLIP ใช้วิธีการฝึกอบรมแบบใด
    • การเรียนรู้การเสริมกำลังจากผลตอบรับของมนุษย์
    • การติดป้ายด้วยมือทุกวัตถุในทุกภาพ
    • การเรียนรู้แบบตรงกันข้ามที่ดึงคู่ข้อความรูปภาพที่ตรงกันมาไว้ด้วยกัน
    • การคัดลอกตุ้มน้ำหนักจากแบบจำลองคำพูด
  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 วัดว่ารูปภาพและคำบรรยายตรงกันอย่างไร
    • โดยการเปรียบเทียบขนาดไฟล์
    • โดยการนับพิกเซลของแต่ละสี
    • โดยการตรวจสอบการประทับเวลาของภาพ
    • โดยความคล้ายคลึงโคไซน์ระหว่างเวกเตอร์
  5. CLIP มีการฝึกอบรมข้อมูลประมาณเท่าใด
    • ภาพที่ติดป้ายกำกับด้วยมือจำนวนไม่กี่พันภาพ
    • มีแต่ข้อความ ไม่มีรูปภาพ
    • คู่ข้อความรูปภาพประมาณ 400 ล้านคู่จากเว็บ
    • คอลเลกชันพิพิธภัณฑ์ที่รวบรวมไว้เพียงแห่งเดียว
  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