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.

Související vodicí cestyApache Airflow pro ML workflow
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.

  1. 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
  2. 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
  3. Která konstrukce proudění vzduchu se používá k čekání na vnější podmínky, jako je například příchod souboru do úložiště?
    • Proměnná
    • Spojovací bazén
    • Makro
    • Senzor
  4. 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
  5. 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
  6. 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
  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