Kvíz spojený s průvodcem · Střední úroveň
Ray pro distribuovaný kvíz AI
Ověřte si, jak rozumíte úlohám Ray, aktérům, referencím objektů, distribuovaným knihovnám a tomu, jak se objektová data pohybují v rámci clusteru.
Otázka 1 z 8
Jaký problém Ray primárně řeší?
Náhled každé otázky8 otázky
Odpovědi a vysvětlení se zobrazují, jak budete v kvízu.
- Jaký problém Ray primárně řeší?
- Škálování úloh Pythonu a AI z jednoho počítače na velký cluster s minimální změnou kódu
- Automatické označování obrázků
- Komprimace souborů modelu
- Navrhování architektur neuronových sítí
- Jaký je v Rayi rozdíl mezi „úkolem“ a „hercem“?
- Úkoly jsou pro obrázky a herci pro text
- Úloha je bezstavové volání paralelní funkce; herec je stavový pracovník, který zastává stát
- Jsou totožné
- Úlohy běží pouze na CPU a aktéři pouze na tiskárnách
- Co Ray okamžitě vrátí, když spustíte vzdálenou úlohu?
- Konečný výsledek, vždy
- Chybová zpráva
- Budoucnost (odkaz na objekt), kterou později vyřešíte pomocí ray.get()
- Kopie celého clusteru
- Která knihovna Ray je navržena pro distribuované vyhledávání hyperparametrů?
- Ray Serve
- Ray Data
- RLlib
- Ray Tune
- Which object type do Ray’s docs explicitly say can be read from same-node object-store memory without a copy?
- A NumPy array stored in Ray’s object store
- Any Python object whenever an ObjectRef is passed
- An object requested from another node with no network transfer
- Only actor handles stored in a separate database
- Kterou knihovnu Ray byste použili k nasazení modelů za škálovatelným koncovým bodem s automatickým škálováním?
- Ray Tune
- Ray Serve
- Ray Train
- Ray Data
- How does Ray Serve decide when to add replicas in its built-in request-driven autoscaling?
- It reads the model’s training loss
- It changes the number of model parameters
- It monitors ongoing requests or queue demand against configured targets
- It scales only when a human edits the deployment
- How does Ray move an object when a task on a different node needs it?
- It shares the owner’s local memory directly across every node
- It automatically copies all objects into each node’s GPU memory
- It sends only an ObjectRef and never transfers the object data
- It transfers the object over the cluster network; serialization, locality, and object size affect cost