Κουίζ που συνδέεται με οδηγό · Μεσαίο Επίπεδο

Κουίζ Ray for Distributed AI

Ελέγξτε ότι κατανοείτε τις εργασίες Ray, τους ηθοποιούς, τις αναφορές αντικειμένων, τις κατανεμημένες βιβλιοθήκες και τον τρόπο με τον οποίο τα δεδομένα αντικειμένων μετακινούνται μέσα σε ένα σύμπλεγμα.

Σχετικές διαδρομές οδηγώνRay For Distributed AI
Ερώτηση 1 του 8

Ποιο πρόβλημα λύνει κυρίως ο Ray;

Προεπισκόπηση κάθε ερώτησης8 ερωτήσεις

Οι απαντήσεις και οι εξηγήσεις εμφανίζονται καθώς κάνετε το κουίζ.

  1. Ποιο πρόβλημα λύνει κυρίως ο Ray;
    • Κλιμάκωση φόρτου εργασίας Python και AI από ένα μόνο μηχάνημα σε ένα μεγάλο σύμπλεγμα με ελάχιστη αλλαγή κώδικα
    • Αυτόματη επισήμανση εικόνων
    • Συμπίεση αρχείων μοντέλου
    • Σχεδιασμός αρχιτεκτονικών νευρωνικών δικτύων
  2. Στο Ray, ποια είναι η διαφορά μεταξύ ενός «καθήκοντος» και ενός «ηθοποιού»;
    • Τα καθήκοντα είναι για εικόνες και οι ηθοποιοί για κείμενο
    • Μια εργασία είναι μια κλήση παράλληλης συνάρτησης χωρίς κατάσταση. ένας ηθοποιός είναι ένας κρατικοδίαιτος εργάτης που κατέχει το κράτος
    • Είναι πανομοιότυπα
    • Οι εργασίες εκτελούνται μόνο σε CPU και ηθοποιοί μόνο σε εκτυπωτές
  3. Τι επιστρέφει αμέσως ο Ray όταν εκκινείτε μια απομακρυσμένη εργασία;
    • Το τελικό αποτέλεσμα, πάντα
    • Μήνυμα σφάλματος
    • Ένα μέλλον (αναφορά αντικειμένου) που θα επιλύσετε αργότερα με το ray.get()
    • Αντίγραφο ολόκληρου του συμπλέγματος
  4. Ποια βιβλιοθήκη Ray έχει σχεδιαστεί για κατανεμημένη αναζήτηση υπερπαραμέτρων;
    • Ray Serve
    • Ray Data
    • RLlib
    • Ray Tune
  5. 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
  6. Ποια βιβλιοθήκη Ray θα χρησιμοποιούσατε για να αναπτύξετε μοντέλα πίσω από ένα επεκτάσιμο τελικό σημείο αυτόματης κλιμάκωσης;
    • Ray Tune
    • Ray Serve
    • Ray Train
    • Ray Data
  7. 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
  8. 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