Ray за разпределен AI тест

Отговорите и обясненията се появяват, докато отговаряте на теста.

1. Какъв проблем основно решава Рей?
   • Мащабиране на натоварвания на Python и AI от една машина до голям клъстер с минимална промяна на кода
   • Автоматично етикетиране на изображения
   • Компресиране на файлове с модели
   • Проектиране на архитектури на невронни мрежи
2. В Рей каква е разликата между „задача“ и „актьор“?
   • Задачите са за изображения, а актьорите за текст
   • Задачата е извикване на паралелна функция без състояние; актьорът е държавен работник, който държи състояние
   • Те са идентични
   • Задачите се изпълняват само на процесори, а актьорите само на принтери
3. Какво връща Ray веднага, когато стартирате отдалечена задача?
   • Крайният резултат винаги
   • Съобщение за грешка
   • Бъдеще (препратка към обект), което по-късно разрешавате с ray.get()
   • Копие на целия клъстер
4. Коя библиотека Ray е предназначена за разпределено търсене на хиперпараметри?
   • Рей Серв
   • Рей Данни
   • RLlib
   • Рей Тюн
5. Which object type do Ray’s docs explicitly say can be read from same-node object-store memory without a copy?
   • A NumPy array stored in Ray’s object store
   • Any Python object whenever an ObjectRef is passed
   • An object requested from another node with no network transfer
   • Only actor handles stored in a separate database
6. Коя библиотека на Ray бихте използвали за внедряване на модели зад мащабируема крайна точка с автоматично мащабиране?
   • Рей Тюн
   • Рей Серв
   • Рей влак
   • Рей Данни
7. How does Ray Serve decide when to add replicas in its built-in request-driven autoscaling?
   • It reads the model’s training loss
   • It changes the number of model parameters
   • It monitors ongoing requests or queue demand against configured targets
   • It scales only when a human edits the deployment
8. How does Ray move an object when a task on a different node needs it?
   • It shares the owner’s local memory directly across every node
   • It automatically copies all objects into each node’s GPU memory
   • It sends only an ObjectRef and never transfers the object data
   • It transfers the object over the cluster network; serialization, locality, and object size affect cost