Útmutatóhoz kapcsolódó kvíz · Közepes Szint

Checkpoint Sharding és Resumable Training kvíz

Practice checkpoint metadata, training-state recovery, and restart validation, including the difference between weight shards and resumable state.

Kapcsolódó útmutató utakCheckpoint Sharding és Resumable Training
kérdés 1 -ból 8

Miért vannak a nagy modellek ellenőrző pontjai szilánkokra bontva?

Tekintse meg az összes kérdést8 kérdéseket

A válaszok és magyarázatok megjelennek a kvíz kitöltésekor.

  1. Miért vannak a nagy modellek ellenőrző pontjai szilánkokra bontva?
    • Hogy a modell gyorsabban edzen kis bemenetekkel
    • A modell súlyainak elrejtése a felhasználók elől
    • Mert a szilánkolás javítja a pontosságot
    • Mert egyetlen ellenőrzőpont túl nagy lehet ahhoz, hogy egy fájl vagy gép hatékonyan kezelje
  2. Which extra state is typically needed for training resumption beyond model weights?
    • Csak a végső pontossági pontszám
    • Optimizer and scheduler state, step progress, RNG state, and relevant data-loader progress
    • Only a model-weight shard index
    • A screenshot of the training dashboard
  3. Mi a fő előnye a hosszú munkák esetén folytatható képzésnek?
    • Megszünteti az érvényesítési készlet szükségességét
    • Ez garantálja, hogy a modell soha nem illeszkedik túl
    • Az összeomlás vagy elővásárlás nem kényszeríti az újraindítást a nulláról
    • Megszünteti az optimalizálót
  4. In a sharded distributed checkpoint, how can ranks avoid gathering the entire state on one worker?
    • By saving their assigned local tensor shards with checkpoint metadata
    • By each emailing a full model copy
    • By deleting optimizer state before every save
    • By disabling all state serialization
  5. Milyen szerepet játszik egy indexfájl a szilánkos ellenőrzőpontokban?
    • Tárolja a felhasználó jelszavát
    • Minden paraméter nevét leképezi az azokat tartalmazó szilánkfájlra
    • Tömöríti az adatkészletben lévő képeket
    • Ütemezi a tanulási sebességet
  6. Melyik formátumot használják általában a modellszilánkok biztonságos, memória-leképezett betöltésére?
    • MP3
    • CSV
    • széfek
    • Csak ZIP-alapú archívumok
  7. A package contains safetensors weight shards and an index, but no optimizer state. What can it support by itself?
    • Loading model weights, without fully restoring optimizer training history
    • Guaranteed exact resumption of every interrupted run
    • Recovering the next batch position automatically
    • Reconstructing every random-number-generator state
  8. A sharded checkpoint loader supports a new rank layout. What should the team verify before trusting recovery?
    • That fewer ranks guarantee identical floating-point results
    • That the weight index alone includes every application state
    • That no restart test is necessary
    • That the necessary saved state loads correctly and the resumed training step behaves as expected