Κουίζ που συνδέεται με οδηγό · Μεσαίο Επίπεδο

Κουίζ διαλειτουργικότητας ONNX και μοντέλου

Δοκιμάστε τις βασικές ιδέες πίσω από γραφήματα ONNX, τελεστές, παρόχους εκτέλεσης, ανταλλαγή μοντέλων και βελτιστοποίηση γραφημάτων σε όλους τους χρόνους εκτέλεσης.

Σχετικές διαδρομές οδηγώνOnnx και Διαλειτουργικότητα Μοντέλου
Ερώτηση 1 του 8

Ποιο βασικό πρόβλημα επιλύει πρωτίστως το ONNX;

Προεπισκόπηση κάθε ερώτησης8 ερωτήσεις

Οι απαντήσεις και οι εξηγήσεις εμφανίζονται καθώς κάνετε το κουίζ.

  1. Ποιο βασικό πρόβλημα επιλύει πρωτίστως το ONNX;
    • Μετακίνηση μοντέλων μεταξύ διαφορετικών πλαισίων και χρόνου εκτέλεσης μέσω μιας κοινής μορφής
    • Αυτόματη επισήμανση των δεδομένων εκπαίδευσης
    • Δημιουργία νέων αρχιτεκτονικών νευρωνικών δικτύων
    • Κρυπτογράφηση βαρών μοντέλου για ασφάλεια
  2. Πώς αντιπροσωπεύει ένα αρχείο ONNX ένα μοντέλο;
    • Ως ακατέργαστα δεδομένα εκπαίδευσης
    • Ως υπολογιστικό γράφημα τυποποιημένων τελεστών
    • Ως ενιαίος αριθμός κινητής υποδιαστολής
    • Ως πηγαίος κώδικας στην Python
  3. What does the acronym ONNX stand for?
    • Optimized Network Node Execution
    • Open Neural Network Extension
    • Open Neural Network Exchange
    • Operator Network Normalization Exchange
  4. Στο ONNX Runtime, τι είναι ο «πάροχος εκτέλεσης»;
    • Ένας λογαριασμός χρέωσης στο cloud
    • Το άτομο που εκπαίδευσε το μοντέλο
    • Ένας τύπος συνάρτησης απώλειας
    • Ένα backend που εκτελεί υποστηριζόμενους χειριστές σε συγκεκριμένο υλικό όπως CPU, CUDA ή TensorRT
  5. Τι ορίζει η έκδοση «opset» (σύνολο χειριστή) σε ένα μοντέλο ONNX;
    • Ποια έκδοση των τυποποιημένων τελεστών χρησιμοποιεί το γράφημα
    • Η ακρίβεια του μοντέλου σε ένα δοκιμαστικό σετ
    • Ο αριθμός των απαιτούμενων GPU
    • Το ποσοστό εκμάθησης της εκπαίδευσης
  6. Which graph-level operations can ONNX Runtime apply?
    • Automatic retraining and label correction
    • Constant folding and node fusion, among other optimizations
    • Changing a model’s architecture to a new framework
    • Generating new training examples from inference requests
  7. What can happen when an ONNX Runtime execution provider supports only part of a model graph?
    • The provider must execute every node or fail by definition
    • Το μοντέλο επανεκπαιδεύεται αυτόματα
    • The runtime can assign supported nodes or subgraphs to that provider and others to a different provider
    • All unsupported operators are deleted
  8. Why should an ONNX deployment check the model’s opset against the target runtime?
    • The opset specifies the model’s training dataset size
    • An opset number guarantees identical performance
    • The opset controls the number of GPU devices
    • The graph uses versioned operator definitions that the runtime must support