Kvíz spojený s průvodcem · Střední úroveň

Kvíz formátů serializace modelu

Testuje přenositelnost serializace, bezpečnost nakládání, soubory hmotnosti pouze pro tenzor a ověřování exportovaných modelů napříč běhovými prostředími.

Související vodicí cestyFormáty serializace modelu
Otázka 1 z 8

Proč je pickle formát Pythonu považován za bezpečnostní riziko pro modely?

Náhled každé otázky8 otázky

Odpovědi a vysvětlení se zobrazují, jak budete v kvízu.

  1. Proč je pickle formát Pythonu považován za bezpečnostní riziko pro modely?
    • Načtením lze spustit libovolný kód vložený do souboru
    • Příliš komprimuje soubory
    • Funguje pouze o víkendech
    • Odstraní původní model
  2. Jaká je hlavní výhoda formátu ONNX?
    • Je to nejmenší možný formát
    • Umožňuje model trénovaný v jednom frameworku běžet v mnoha dalších runtimech a jazycích
    • Lze jej otevřít pouze v PyTorch
    • Automaticky zvyšuje přesnost
  3. Proč se safetensory staly oblíbenými pro sdílení modelových závaží?
    • Pro pohodlí spouští kód při zatížení
    • Je to nejstarší dostupný formát
    • Bezpečně ukládá pouze data tenzoru s rychlým načítáním mapovatelným do paměti a bez spouštění kódu
    • Ukládá pouze přesnost modelu
  4. S kterým případem použití je GGUF nejvíce spojen?
    • Ukládání tabulek
    • Šifrování e-mailů
    • Školení modelů od nuly v cloudu
    • Efektivní provozování kvantovaných velkých jazykových modelů na místním hardwaru
  5. Co primárně ukládá výměnný formát jako ONNX?
    • Standardizovaný výpočtový graf a váhy modelu
    • Video z tréninkového procesu
    • Pouze tréninková datová sada
    • Komentáře ke zdrojovému kódu vývojáře
  6. When exporting a Keras 3 model for TensorFlow serving, which directory format can model.export produce?
    • GGUF
    • SavedModel
    • CSV
    • A pickle file containing the entire Python application
  7. After exporting a model to ONNX for a new runtime, what should the team check?
    • That the ONNX file guarantees identical speed on every device
    • That the export automatically includes the original training data
    • That supported operators run and outputs match the reference model on representative inputs
    • That no preprocessing code is needed
  8. Why can a state-dictionary checkpoint be preferable to loading a whole Python object from an untrusted file?
    • It guarantees the model architecture is embedded
    • It makes every checkpoint safe regardless of loader and version
    • It automatically converts the model to ONNX
    • It can load tensor state without reconstructing arbitrary pickled Python objects, subject to the loader’s security settings