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.

Související vodicí cestySledování experimentu
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.

  1. 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
  2. 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
  3. Který z těchto nástrojů je oblíbeným nástrojem pro sledování experimentů?
    • Photoshop
    • Kubernetes
    • MLflow
    • PostgreSQL
  4. 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
  5. 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
  6. 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
  7. 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
  8. 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