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.
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.
- 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
- 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
- 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
- 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
- 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
- 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
- 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
- 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