Cuestionario vinculado a una guía · Medio Nivel

ONNX y el cuestionario sobre interoperabilidad de modelos

Pruebe las ideas clave detrás de los gráficos, los operadores, los proveedores de ejecución, el intercambio de modelos y la optimización de gráficos de ONNX en todos los tiempos de ejecución.

Rutas de guía relacionadasOnnx y la interoperabilidad de modelos
Pregunta 1 de 8

¿Qué problema central resuelve principalmente ONNX?

Vista previa de cada pregunta8 preguntas

Las respuestas y explicaciones aparecen a medida que realiza el cuestionario.

  1. ¿Qué problema central resuelve principalmente ONNX?
    • Mover modelos entre diferentes marcos y tiempos de ejecución a través de un formato común
    • Etiquetar datos de entrenamiento automáticamente
    • Generando nuevas arquitecturas de redes neuronales
    • Cifrar los pesos del modelo por seguridad
  2. ¿Cómo representa un archivo ONNX un modelo?
    • Como datos de entrenamiento sin procesar
    • Como gráfico de cálculo de operadores estandarizados.
    • Como un único número de punto flotante
    • Como código fuente en Python
  3. ¿Qué significa la sigla ONNX?
    • Optimized Network Node Execution
    • Open Neural Network Extension
    • Open Neural Network Exchange
    • Operator Network Normalization Exchange
  4. En ONNX Runtime, ¿qué es un "proveedor de ejecución"?
    • Una cuenta de facturación en la nube
    • La persona que entrenó al modelo.
    • Un tipo de función de pérdida.
    • Un backend que ejecuta operadores compatibles en hardware específico como CPU, CUDA o TensorRT
  5. ¿Qué define la versión 'opset' (conjunto de operadores) en un modelo ONNX?
    • ¿Qué versión de los operadores estandarizados utiliza el gráfico?
    • La precisión del modelo en un conjunto de prueba.
    • La cantidad de GPU necesarias
    • La tasa de aprendizaje de la formación.
  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
    • El modelo se vuelve a entrenar automáticamente.
    • 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