Bài kiểm tra có liên kết hướng dẫn · Trung bình Cấp độ

Bài kiểm tra về mô hình ngôn ngữ CLIP và thị giác

Xem lại các cách trình bày được chia sẻ và ghép nối tương phản của CLIP, với nhãn không bắn, dòng bộ mã hóa gốc, số điểm hàng loạt và unCLIP.

Đường dẫn hướng dẫn liên quanMô hình ngôn ngữ Clip và Vision
Câu hỏi 1 của 8

Ý tưởng cốt lõi đằng sau CLIP là gì?

Xem trước mọi câu hỏi8 câu hỏi

Câu trả lời và giải thích xuất hiện khi bạn làm bài kiểm tra.

  1. Ý tưởng cốt lõi đằng sau CLIP là gì?
    • Nén hình ảnh thành các tập tin nhỏ hơn
    • Đặt hình ảnh và văn bản vào cùng một không gian nhúng được chia sẻ
    • Tạo mô hình 3D từ ảnh
    • Dịch lời nói thành văn bản
  2. CLIP sử dụng phương pháp đào tạo nào?
    • Học tăng cường từ phản hồi của con người
    • Dán nhãn thủ công cho mọi đối tượng trong mỗi hình ảnh
    • Học tập tương phản kéo các cặp hình ảnh-văn bản phù hợp lại với nhau
    • Sao chép trọng số từ mẫu giọng nói
  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 đo lường xem hình ảnh và chú thích có khớp nhau như thế nào không?
    • Bằng cách so sánh kích thước tập tin
    • Bằng cách đếm pixel của mỗi màu
    • Bằng cách kiểm tra dấu thời gian của hình ảnh
    • Bằng độ tương tự cosin giữa các vectơ của chúng
  5. CLIP đã đào tạo khoảng bao nhiêu dữ liệu?
    • Vài nghìn hình ảnh được dán nhãn bằng tay
    • Chỉ có văn bản, không có hình ảnh
    • Khoảng 400 triệu cặp văn bản-hình ảnh từ web
    • Một bộ sưu tập bảo tàng được giám tuyển
  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