Κουίζ παρακολούθησης πειράματος

Οι απαντήσεις και οι εξηγήσεις εμφανίζονται καθώς κάνετε το κουίζ.

1. Ποιος είναι ο πρωταρχικός σκοπός της παρακολούθησης πειραμάτων στη μηχανική εκμάθηση;
   • Για να κάνετε τις εκτελέσεις αναπαραγώγιμες και συγκρίσιμες καταγράφοντας το πλήρες περιβάλλον τους
   • Για να κάνετε τα μοντέλα να εκπαιδεύονται πιο γρήγορα στη GPU
   • Για αυτόματη ανάπτυξη μοντέλων στην παραγωγή
   • Για συμπίεση βαρών μοντέλου για αποθήκευση
2. Ποιος συνδυασμός είναι απαραίτητος για να γίνει μια μεμονωμένη προπόνηση πραγματικά αναπαραγώγιμη;
   • Μόνο ο τελικός αριθμός ακρίβειας
   • Έκδοση κώδικα, σύνολο δεδομένων και υπερπαράμετροι
   • Η θερμοκρασία της GPU και η ταχύτητα του ανεμιστήρα
   • Το όνομα του επιστήμονα δεδομένων
3. Ποιο από αυτά είναι ένα δημοφιλές εργαλείο παρακολούθησης πειράματος;
   • Photoshop
   • Kubernetes
   • MLflow
   • PostgreSQL
4. Πώς καταγράφουν συνήθως οι περισσότεροι ιχνηλάτες πειραμάτων μετρήσεις κατά τη διάρκεια της προπόνησης;
   • Με τη μη αυτόματη αντιγραφή αριθμών σε ένα υπολογιστικό φύλλο στη συνέχεια
   • Τραβώντας στιγμιότυπα οθόνης του τερματικού
   • Διαβάζοντας τον πηγαίο κώδικα του μοντέλου
   • Μέσω καταγραφής κλήσεις API που εισάγονται στον βρόχο εκπαίδευσης που μεταδίδονται σε ένα backend
5. Πού αποθηκεύονται συνήθως μεγάλα αντικείμενα όπως τα αποθηκευμένα βάρη μοντέλων από ένα σύστημα παρακολούθησης;
   • Σε αποθήκευση αντικειμένων/τεχνουργημάτων, με αναφορές που διατηρούνται στο χώρο αποθήκευσης μεταδεδομένων
   • Μέσα στη σειρά της βάσης δεδομένων μετρήσεων
   • Μόνιμα στη μνήμη GPU
   • Δεν αποθηκεύονται καθόλου
6. Πώς εξελίσσεται η παρακολούθηση πειραμάτων στην εποχή των μεγάλων γλωσσικών μοντέλων;
   • Εγκαταλείπεται επειδή τα LLM δεν χρειάζονται παρακολούθηση
   • Τώρα καταγράφει επίσης άμεσες εκδόσεις, ίχνη αξιολόγησης και ποιοτικά αποτελέσματα
   • Τώρα παρακολουθεί μόνο το κόστος της GPU
   • Έχει συγχωνευθεί εξ ολοκλήρου σε λογισμικό επεξεργασίας βίντεο
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