Тест, свързан с ръководство · Среден Ниво

Тест за работни потоци на Apache Airflow за ML

Прилагайте зависимости на задачите на Airflow, повторни опити и запълвания към работни потоци на ML, включително правилата за задействане, които определят кога задачите са готови за изпълнение.

Свързани ръководни пътекиApache Airflow за ML работни потоци
Въпрос 1 на 8

В Apache Airflow каква е основната абстракция, използвана за дефиниране на работен поток?

Визуализирайте всеки въпрос8 въпроси

Отговорите и обясненията се появяват, докато отговаряте на теста.

  1. В Apache Airflow каква е основната абстракция, използвана за дефиниране на работен поток?
    • YAML манифест
    • SQL изглед
    • DAG (насочена ациклична графика), написана на Python
    • Бележник на Юпитер
  2. Каква роля най-често играе Airflow в ML тръбопровод?
    • Той организира и планира задачи, които се изпълняват на други системи
    • Той обучава модели за дълбоко обучение директно на GPU
    • Той съхранява характерни вектори в паметта
    • Той обслужва моделни прогнози през HTTP
  3. Коя конструкция на въздушния поток се използва за изчакване на външно условие, като например пристигане на файл в хранилището?
    • Променлива
    • Пул за връзка
    • Макрос
    • Сензор
  4. Какво ви позволява да правите „запълване“ с въздушен поток?
    • Изтрийте старите DAG работи за постоянно
    • Стартирайте DAG за диапазон от минали дати, за да обработите повторно исторически данни
    • Шифроване на базата данни с метаданни
    • Деактивирайте временно планировчика
  5. Which Airflow component determines when eligible task instances should be scheduled?
    • Планировчикът
    • The graph view in the web UI
    • A model’s feature encoder
    • The artifact file itself
  6. Какво представлява „графикът, съобразен с данните“, въведен в по-новите версии на Airflow?
    • Шифроване на всички данни, предавани между задачите
    • Автоматично етикетиране на данни за обучение
    • Намаляване на броя на GPU за задача
    • Задействане на DAG, когато набор от данни се актуализира, а не на фиксиран часовник
  7. An Airflow cleanup task must run after upstream tasks finish even if one fails. Which setting controls this behavior?
    • The number of model layers
    • The cleanup task’s trigger rule
    • The feature normalization method
    • The UI theme selected for the DAG
  8. A team backfills three months of ML feature data in Airflow. What makes repeating an interrupted task safer?
    • Appending duplicate outputs each time it retries
    • Ignoring the run’s historical date
    • An idempotent operation with the correct historical inputs
    • Changing the training labels on every retry