Útmutatóhoz kapcsolódó kvíz · Közepes Szint

Apache Airflow for ML Workflows kvíz

Apply Airflow task dependencies, retries, and backfills to ML workflows, including the trigger rules that determine when tasks are ready to run.

Kapcsolódó útmutató utakApache Airflow ML munkahordákhoz
kérdés 1 -ból 8

Az Apache Airflow-ban mi a munkafolyamat meghatározásához használt alapvető absztrakció?

Tekintse meg az összes kérdést8 kérdéseket

A válaszok és magyarázatok megjelennek a kvíz kitöltésekor.

  1. Az Apache Airflow-ban mi a munkafolyamat meghatározásához használt alapvető absztrakció?
    • YAML jegyzék
    • SQL nézet
    • Python nyelven írt DAG (Directed Acyclic Graph).
    • Egy Jupyter notebook
  2. Milyen szerepet játszik az Airflow leggyakrabban egy ML-csővezetékben?
    • Lebonyolítja és ütemezi a más rendszereken futó feladatokat
    • Mély tanulási modelleket képez közvetlenül a GPU-kon
    • A funkcióvektorokat a memóriában tárolja
    • Modell-előrejelzéseket szolgál ki HTTP-n keresztül
  3. Melyik Airflow konstrukció várja a külső feltételt, például a tárolóba érkező fájlt?
    • Egy változó
    • Csatlakozási medence
    • Egy makró
    • Egy érzékelő
  4. Mit tesz lehetővé az Airflow „visszatöltés”?
    • A régi törlése A DAG végleg fut
    • Futtasson egy DAG-t egy múltbeli dátumtartományon az előzményadatok újrafeldolgozásához
    • A metaadat-adatbázis titkosítása
    • Ideiglenesen tiltsa le az ütemezőt
  5. Which Airflow component determines when eligible task instances should be scheduled?
    • Az ütemező
    • The graph view in the web UI
    • A model’s feature encoder
    • The artifact file itself
  6. Mit jelent az „adattudatos ütemezés” az újabb Airflow verziókban?
    • A feladatok között átadott összes adat titkosítása
    • Az edzésadatok automatikus címkézése
    • A feladatonkénti GPU-k számának csökkentése
    • DAG-ok aktiválása, ha egy adatkészlet frissítve van, nem pedig egy rögzített órajel
  7. An Airflow cleanup task must run after upstream tasks finish even if one fails. Which setting controls this behavior?
    • A modellrétegek száma
    • The cleanup task’s trigger rule
    • The feature normalization method
    • The UI theme selected for the DAG
  8. A team backfills three months of ML feature data in Airflow. What makes repeating an interrupted task safer?
    • Appending duplicate outputs each time it retries
    • Ignoring the run’s historical date
    • An idempotent operation with the correct historical inputs
    • Changing the training labels on every retry