وژن ٹرانسفارمرز کوئز

جب آپ کوئز دیتے ہیں تو جوابات اور وضاحتیں ظاہر ہوتی ہیں۔

1. How does the original plain ViT convert an image into input tokens for its encoder?
   • It must read one raw pixel per recurrent step
   • It linearly embeds flattened non-overlapping patches
   • It converts the whole image into a mandatory single scalar
   • It removes all learned input projections
2. Which mechanism supports direct interactions between allowed patch tokens in the original dense ViT encoder?
   • خود توجہ
   • Only a fixed local max-pooling operation
   • Only alphabetical ordering of patch labels
   • Only a random image crop
3. Which architectural difference did the original ViT study discuss relative to convolutional networks?
   • A guarantee that it contains fewer parameters than every CNN
   • An inability to process color images
   • A guarantee that every vision task needs the same huge dataset
   • Fewer convolution-style locality and translation-equivariance biases
4. وژن ٹرانسفارمر میں پوزیشنل انکوڈنگ کا مقصد کیا ہے؟
   • تصویر کی فائل کے سائز کو کمپریس کرنے کے لیے
   • اضافہ کے لیے پیچ کو تصادفی طور پر شفل کرنا
   • ماڈل کو بتانے کے لیے کہ اصل تصویر میں ہر پیچ کہاں واقع تھا۔
   • رنگین تصاویر کو گرے اسکیل میں تبدیل کرنے کے لیے
5. بہت سے تصویری پیچوں پر خود توجہ دینے کی ایک عملی خرابی یہ ہے کہ اس کی قیمت بڑھ جاتی ہے:
   • پیچ کی تعداد کے ساتھ چوکور
   • لکیری طور پر پیچ کی تعداد کے ساتھ
   • تصویر کے سائز کے ساتھ بالکل نہیں۔
   • صرف رنگین چینلز کی تعداد کے ساتھ
6. What conclusion is supported by the original ViT classification experiments under their stated pretraining and transfer conditions?
   • Every transformer must outperform every CNN on every dataset
   • A pure patch transformer could perform competitively with compared CNNs
   • All convolutional operations are invalid for image recognition
   • No training data is needed for image classification
7. For a 224-by-224 image divided into non-overlapping 16-by-16 patches, how many patch tokens are there before adding a class token?
   • 197
   • 224
   • 196
   • 256
8. In the original ViT classification design, which encoder state supplies the classification head?
   • Only an unembedded raw input pixel
   • A required random token not processed by the encoder
   • Only the first patch’s original filename
   • The final state of the learned class token