Cuestionario vinculado a una guía · Medio Nivel

Prueba de Ray para IA distribuida

Compruebe su comprensión de las tareas, los actores, las referencias de objetos, las bibliotecas distribuidas de Ray y cómo se mueven los datos de los objetos dentro de un clúster.

Rutas de guía relacionadasRay para IA distribuida
Pregunta 1 de 8

¿Qué problema resuelve principalmente Ray?

Vista previa de cada pregunta8 preguntas

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

  1. ¿Qué problema resuelve principalmente Ray?
    • Escalar cargas de trabajo de Python e IA desde una sola máquina a un clúster grande con un cambio de código mínimo
    • Etiquetar imágenes automáticamente
    • Comprimir archivos de modelo
    • Diseño de arquitecturas de redes neuronales.
  2. En Ray, ¿cuál es la diferencia entre una "tarea" y un "actor"?
    • Las tareas son para imágenes y los actores son para texto.
    • Una tarea es una llamada a función paralela sin estado; un actor es un trabajador con estado que posee estado
    • son identicos
    • Las tareas se ejecutan solo en CPU y los actores solo en impresoras
  3. ¿Qué devuelve Ray inmediatamente cuando inicias una tarea remota?
    • El resultado final, siempre
    • Un mensaje de error
    • Un futuro (referencia de objeto) que luego resuelves con ray.get()
    • Una copia de todo el clúster.
  4. ¿Qué biblioteca Ray está diseñada para la búsqueda distribuida de hiperparámetros?
    • Rayo servir
    • Datos de rayos
    • RLlib
    • melodía de rayo
  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. ¿Qué biblioteca de Ray usaría para implementar modelos detrás de un punto final escalable y con ajuste de escala automático?
    • melodía de rayo
    • Rayo servir
    • Tren de rayos
    • Datos de rayos
  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