Тест, свързан с ръководство · Среден Ниво

Тест за формати за сериализиране на модели

Тества преносимостта на сериализацията, безопасността на туршията, файловете с тегло само за тензор и проверката на експортираните модели през време на изпълнение.

Свързани ръководни пътекиФормати за сериализиране на модели
Въпрос 1 на 8

Защо форматът pickle на Python се счита за риск за сигурността на моделите?

Визуализирайте всеки въпрос8 въпроси

Отговорите и обясненията се появяват, докато отговаряте на теста.

  1. Защо форматът pickle на Python се счита за риск за сигурността на моделите?
    • Зареждането му може да изпълни произволен код, вграден във файла
    • Той компресира файловете твърде много
    • Работи само през почивните дни
    • Изтрива оригиналния модел
  2. Какво е основното предимство на формата ONNX?
    • Това е най-малкият възможен формат
    • Той позволява на модел, обучен в една рамка, да работи в много други изпълнения и езици
    • Може да се отвори само в PyTorch
    • Автоматично подобрява точността
  3. Защо safetensors стана популярен за споделяне на теглото на модела?
    • Той изпълнява код при зареждане за удобство
    • Това е най-старият наличен формат
    • Той съхранява само тензорни данни по безопасен начин, с бързо картографируемо в паметта зареждане и без изпълнение на код
    • Съхранява само точността на модела
  4. GGUF е най-свързан с кой случай на употреба?
    • Съхраняване на електронни таблици
    • Шифроване на имейли
    • Модели за обучение от нулата в облака
    • Ефективно изпълнение на квантувани големи езикови модели на локален хардуер
  5. Какво основно съхранява формат за обмен като ONNX?
    • Стандартизирана изчислителна графика и теглата на модела
    • Видео от тренировъчния процес
    • Само наборът от данни за обучение
    • Коментари на изходния код на разработчика
  6. When exporting a Keras 3 model for TensorFlow serving, which directory format can model.export produce?
    • GGUF
    • SavedModel
    • CSV
    • A pickle file containing the entire Python application
  7. After exporting a model to ONNX for a new runtime, what should the team check?
    • That the ONNX file guarantees identical speed on every device
    • That the export automatically includes the original training data
    • That supported operators run and outputs match the reference model on representative inputs
    • That no preprocessing code is needed
  8. Why can a state-dictionary checkpoint be preferable to loading a whole Python object from an untrusted file?
    • It guarantees the model architecture is embedded
    • It makes every checkpoint safe regardless of loader and version
    • It automatically converts the model to ONNX
    • It can load tensor state without reconstructing arbitrary pickled Python objects, subject to the loader’s security settings