Kvíz spojený s průvodcem · Střední úroveň
Kvíz Apache Airflow pro ML Workflows
Aplikujte závislosti úloh Airflow, opakování a zpětné vyplnění na pracovní postupy ML, včetně pravidel spouštění, která určují, kdy jsou úlohy připraveny ke spuštění.
Otázka 1 z 8
Jaká je základní abstrakce použitá v Apache Airflow k definování pracovního postupu?
Náhled každé otázky8 otázky
Odpovědi a vysvětlení se zobrazují, jak budete v kvízu.
- Jaká je základní abstrakce použitá v Apache Airflow k definování pracovního postupu?
- Manifest YAML
- SQL pohled
- DAG (Directed Acyclic Graph) napsaný v Pythonu
- Notebook Jupyter
- Jakou roli hraje Airflow nejčastěji v ML potrubí?
- Organizuje a plánuje úlohy, které běží na jiných systémech
- Trénuje modely hlubokého učení přímo na GPU
- Ukládá příznakové vektory do paměti
- Slouží předpovědi modelu přes HTTP
- Která konstrukce proudění vzduchu se používá k čekání na vnější podmínky, jako je například příchod souboru do úložiště?
- Proměnná
- Spojovací bazén
- Makro
- Senzor
- Co vám „záplň“ Airflow umožňuje?
- Trvale odstranit staré běhy DAG
- Spusťte DAG přes rozsah minulých dat, abyste znovu zpracovali historická data
- Zašifrujte databázi metadat
- Dočasně deaktivujte plánovač
- Which Airflow component determines when eligible task instances should be scheduled?
- Plánovač
- The graph view in the web UI
- A model’s feature encoder
- The artifact file itself
- Co je „plánování s ohledem na data“ představeno v novějších verzích Airflow?
- Šifrování všech dat předávaných mezi úkoly
- Automatické označování tréninkových dat
- Snížení počtu GPU na úlohu
- Spouštění DAG, když je datová sada aktualizována, spíše než v pevných hodinách
- 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
- 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