Kvíz spojený s průvodcem · Střední úroveň

ONNX a kvíz o interoperabilitě modelů

Otestujte klíčové myšlenky grafů ONNX, operátorů, poskytovatelů provádění, výměny modelů a optimalizace grafů napříč běhovými prostředími.

Související vodicí cestyOnnx a modelová interoperabilita
Otázka 1 z 8

Jaký hlavní problém ONNX primárně řeší?

Náhled každé otázky8 otázky

Odpovědi a vysvětlení se zobrazují, jak budete v kvízu.

  1. Jaký hlavní problém ONNX primárně řeší?
    • Přesouvání modelů mezi různými frameworky a runtimemi prostřednictvím společného formátu
    • Automatické označování tréninkových dat
    • Generování nových architektur neuronových sítí
    • Šifrování vah modelů pro bezpečnost
  2. Jak soubor ONNX představuje model?
    • Jako nezpracovaná tréninková data
    • Jako výpočetní graf standardizovaných operátorů
    • Jako jediné číslo s plovoucí desetinnou čárkou
    • Jako zdrojový kód v Pythonu
  3. Co znamená zkratka ONNX?
    • Optimalizované spouštění síťového uzlu
    • Otevřete rozšíření neuronové sítě
    • Otevřete Neural Network Exchange
    • Výměna normalizace sítě operátora
  4. Co je to v ONNX Runtime „poskytovatel provádění“?
    • Cloudový fakturační účet
    • Osoba, která model trénovala
    • Typ ztrátové funkce
    • Backend, který provozuje podporované operátory na konkrétním hardwaru, jako je CPU, CUDA nebo TensorRT
  5. Co definuje verze „opset“ (sada operátora) v modelu ONNX?
    • Jakou verzi standardizovaných operátorů graf používá
    • Přesnost modelu na testovací sadě
    • Počet požadovaných GPU
    • Míra učení tréninku
  6. Které operace na úrovni grafu může ONNX Runtime použít?
    • Automatická rekvalifikace a oprava štítků
    • Neustálé skládání a spojování uzlů, mimo jiné optimalizace
    • Změna architektury modelu na nový rámec
    • Generování nových příkladů školení z požadavků na odvození
  7. Co se může stát, když poskytovatel spuštění ONNX Runtime podporuje pouze část grafu modelu?
    • Poskytovatel musí spustit každý uzel nebo podle definice selhat
    • Model se automaticky přeškolí
    • Runtime může přiřadit podporované uzly nebo podgrafy tomuto poskytovateli a ostatní jinému poskytovateli
    • Všechny nepodporované operátory budou smazány
  8. Proč by nasazení ONNX mělo kontrolovat opset modelu vůči cílovému runtime?
    • Opset určuje velikost trénovací datové sady modelu
    • Číslo opsetu zaručuje stejný výkon
    • Opset řídí počet zařízení GPU
    • Graf používá verzované definice operátorů, které musí běhové prostředí podporovat