Rehber bağlantılı sınav · Orta Seviye

CLIP ve Görme-Dil Modelleri Testi

Sıfır atış etiketleri, orijinal kodlayıcı aileleri, toplu puan sayıları ve unCLIP ile CLIP'in paylaşılan gösterimlerini ve karşılaştırmalı eşleştirmesini inceleyin.

İlgili kılavuz yollarıKlip ve Vizyon Dili Modelleri
Soru 1 arasında 8

CLIP'in arkasındaki temel fikir nedir?

Her soruyu önizleyin8 sorular

Testi çözdüğünüzde cevaplar ve açıklamalar görünür.

  1. CLIP'in arkasındaki temel fikir nedir?
    • Görüntüleri daha küçük dosyalara sıkıştırmak
    • Görüntüleri ve metni aynı paylaşılan yerleştirme alanına yerleştirme
    • Fotoğraflardan 3 boyutlu modeller oluşturma
    • Konuşmayı metne çevirme
  2. CLIP hangi eğitim yaklaşımını kullanıyor?
    • İnsan geri bildirimlerinden pekiştirmeli öğrenme
    • Her görüntüdeki her nesneyi elle etiketleme
    • Eşleşen görüntü-metin çiftlerini bir araya getiren karşılaştırmalı öğrenme
    • Ağırlıkların bir konuşma modelinden kopyalanması
  3. Orijinal CLIP aktarım kurulumunda sıfır atış sınıflandırması ne anlama geliyor?
    • 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 bir görsel ile altyazının eşleşip eşleşmediğini nasıl ölçer?
    • Dosya boyutu karşılaştırmasına göre
    • Her rengin piksellerini sayarak
    • Resmin zaman damgasını kontrol ederek
    • Vektörleri arasındaki kosinüs benzerliğine göre
  5. CLIP yaklaşık olarak ne kadar veri üzerinde eğitildi?
    • Elle etiketlenmiş birkaç bin görsel
    • Yalnızca metin, resim yok
    • Web'den yaklaşık 400 milyon resim-metin çifti
    • Tek bir küratörlüğünde müze koleksiyonu
  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