Quiz lié à un guide · Moyen Niveau

Quiz sur les formats de sérialisation des modèles

Teste la portabilité de la sérialisation, la sécurité des cornichons, les fichiers de poids tenseurs uniquement et la vérification des modèles exportés sur plusieurs environnements d'exécution.

Chemins de guidage associésFormats de sérialisation des modèles
Question 1 de 8

Pourquoi le format pickle de Python est-il considéré comme un risque de sécurité pour les modèles ?

Prévisualisez chaque question8 des questions

Les réponses et les explications apparaissent au fur et à mesure que vous répondez au quiz.

  1. Pourquoi le format pickle de Python est-il considéré comme un risque de sécurité pour les modèles ?
    • Le charger peut exécuter du code arbitraire intégré dans le fichier
    • Il compresse trop les fichiers
    • Cela ne fonctionne que le week-end
    • Il supprime le modèle d'origine
  2. Quel est le principal avantage du format ONNX ?
    • C'est le format le plus petit possible
    • Il permet à un modèle formé dans un framework de s'exécuter dans de nombreux autres environnements d'exécution et langages.
    • Il ne peut être ouvert que dans PyTorch
    • Il améliore automatiquement la précision
  3. Pourquoi les tenseurs de sécurité sont-ils devenus populaires pour partager les poids des modèles ?
    • Il exécute le code au chargement pour plus de commodité
    • C'est le format le plus ancien disponible
    • Il stocke uniquement les données tensorielles en toute sécurité, avec un chargement rapide mappable en mémoire et sans exécution de code.
    • Il stocke uniquement la précision du modèle
  4. À quel cas d'utilisation ?
    • Stockage de feuilles de calcul
    • Cryptage des e-mails
    • Former des modèles à partir de zéro dans le cloud
    • Exécution efficace de grands modèles de langage quantifiés sur du matériel local
  5. Que stocke principalement un format d’échange comme ONNX ?
    • Un graphique de calcul standardisé et les poids du modèle
    • Une vidéo du processus de formation
    • Uniquement l'ensemble de données d'entraînement
    • Commentaires sur le code source du développeur
  6. When exporting a Keras 3 model for TensorFlow serving, which directory format can model.export produce?
    • GGUF
    • Modèle enregistré
    • CSV
    • A pickle file containing the entire Python application
  7. After exporting a model to ONNX for a new runtime, what should the team check?
    • That the ONNX file guarantees identical speed on every device
    • That the export automatically includes the original training data
    • That supported operators run and outputs match the reference model on representative inputs
    • That no preprocessing code is needed
  8. Why can a state-dictionary checkpoint be preferable to loading a whole Python object from an untrusted file?
    • It guarantees the model architecture is embedded
    • It makes every checkpoint safe regardless of loader and version
    • It automatically converts the model to ONNX
    • It can load tensor state without reconstructing arbitrary pickled Python objects, subject to the loader’s security settings