引导式测验 · 中等 等级
CLIP 和视觉语言模型测验
查看 CLIP 的共享表示和对比配对，包括零样本标签、原始编码器系列、批次分数计数和 unCLIP。
问题 1 的 8
CLIP背后的核心思想是什么？
预览每个问题8 问题
当您参加测验时，就会出现答案和解释。
- CLIP背后的核心思想是什么？
- 将图像压缩成更小的文件
- 将图像和文本放置到同一共享嵌入空间中
- 从照片生成 3D 模型
- 将语音翻译成文本
- CLIP 使用什么培训方法？
- 从人类反馈中强化学习
- 手动标记每张图像中的每个对象
- 将匹配的图像-文本对放在一起的对比学习
- 从语音模型复制权重
- 零样本分类在原始 CLIP 迁移设置中是什么意思？
- 使用文本定义的候选类别而不进行新的任务特定监督分类器拟合
- 使用从未接受过任何预训练数据的模型
- 在没有任何计算或电力的情况下运行
- 保证每个类别都被正确分类
- CLIP 如何衡量图像和标题是否匹配？
- 按文件大小比较
- 通过计算每种颜色的像素
- 通过检查图像的时间戳
- 通过向量之间的余弦相似度
- CLIP 大约使用了多少数据进行训练？
- 几千张手工标记的图像
- 只有文字，没有图像
- 来自网络的大约 4 亿个图像文本对
- 单一策划的博物馆藏品
- 引用的 unCLIP 图像生成论文如何使用 CLIP 表示？
- 原始独立 CLIP 编码器直接输出每个图像像素
- 先验提供 CLIP 图像嵌入给生成解码器
- 它移除所有图像表示，仅使用文件名
- 它仅将 CLIP 用作网络加密协议
- 原始 CLIP 论文评估了哪些图像编码器系列？
- 仅递归文本编码器
- 仅强制线性像素平均
- 仅原始音频编解码器
- 修改后的 ResNet 和 Vision Transformer
- 一个 CLIP 批次包含 32 对图像和文本。其完整的跨模态得分矩阵中有多少条目？
- 1024
- 32
- 64
- 992