Kvíz spojený s průvodcem · Střední úroveň
Kvíz o sledování experimentu
Pokrývá metadata běhu, metriky, artefakty, identitu datové sady, zachycení prostředí a to, co mohou podporovat záznamy experimentů.
Otázka 1 z 8
Jaký je primární účel sledování experimentů ve strojovém učení?
Náhled každé otázky8 otázky
Odpovědi a vysvětlení se zobrazují, jak budete v kvízu.
- Jaký je primární účel sledování experimentů ve strojovém učení?
- Aby byly běhy reprodukovatelné a srovnatelné tím, že se zaznamená jejich úplný kontext
- Aby modely rychleji trénovaly na GPU
- Chcete-li automaticky nasadit modely do výroby
- Ke komprimaci závaží modelů pro skladování
- Která kombinace je nezbytná pro to, aby byl jeden tréninkový běh skutečně reprodukovatelný?
- Pouze konečné číslo přesnosti
- Verze kódu, datová sada a hyperparametry
- Teplota GPU a rychlost ventilátoru
- Jméno datového vědce
- Který z těchto nástrojů je oblíbeným nástrojem pro sledování experimentů?
- Photoshop
- Kubernetes
- MLflow
- PostgreSQL
- Jak většina sledovačů experimentů obvykle zaznamenává metriky během školení?
- Ručním zkopírováním čísel do tabulky
- Pořízením snímků obrazovky terminálu
- Přečtením zdrojového kódu modelu
- Prostřednictvím protokolování volání API vložena do tréninkové smyčky, která proudí do backendu
- Kde jsou velké artefakty, jako jsou uložené hmotnosti modelů, obvykle uloženy sledovacím systémem?
- V úložišti objektů/artefaktů s odkazy uloženými v úložišti metadat
- Uvnitř řádku databáze metrik
- V paměti GPU trvale
- Nejsou skladovány vůbec
- Jak se vyvíjí sledování experimentů v éře velkých jazykových modelů?
- Upouští se od toho, protože LLM nepotřebují žádné sledování
- Nyní také zachycuje rychlé verze, průběhy hodnocení a kvalitativní výstupy
- Nyní sleduje pouze náklady na GPU
- Zcela se sloučil do softwaru pro úpravu videa
- Why record a dataset version or content hash with an ML run?
- To prove the model is unbiased
- To guarantee identical GPU arithmetic
- So the run can be linked to the exact data snapshot used
- To replace the code version
- In MLflow Tracking, where are large model files typically stored relative to parameters and metrics?
- Only inside the metric names
- Always embedded in the database row for each parameter
- They are not recorded by a tracking system
- In an artifact store, while run metadata is kept in a backend store