ONNX et quiz sur l'interopérabilité des modèles

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

1. Quel problème principal ONNX résout-il principalement ?
   • Déplacement de modèles entre différents frameworks et environnements d'exécution via un format commun
   • Étiquetage automatique des données d'entraînement
   • Générer de nouvelles architectures de réseaux neuronaux
   • Chiffrement des poids des modèles pour des raisons de sécurité
2. Comment un fichier ONNX représente-t-il un modèle ?
   • En tant que données d'entraînement brutes
   • En tant que graphe de calcul d'opérateurs standardisés
   • Sous la forme d'un seul nombre à virgule flottante
   • Comme code source en 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. Dans ONNX Runtime, qu'est-ce qu'un « fournisseur d'exécution » ?
   • Un compte de facturation cloud
   • La personne qui a formé le modèle
   • Un type de fonction de perte
   • Un backend qui exécute des opérateurs pris en charge sur du matériel spécifique comme CPU, CUDA ou TensorRT
5. Que définit la version « opset » (ensemble d'opérateurs) dans un modèle ONNX ?
   • Quelle version des opérateurs standardisés le graphique utilise
   • La précision du modèle sur un ensemble de test
   • Le nombre de GPU requis
   • Le taux d’apprentissage de la formation
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
   • Le modèle est automatiquement recyclé
   • 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