Útmutatóhoz kapcsolódó kvíz · Közepes Szint

Kísérletkövetési kvíz

Covers run metadata, metrics, artifacts, dataset identity, environment capture, and what experiment records can support.

Kapcsolódó útmutató utakKísérletkövetés
kérdés 1 -ból 8

Mi a kísérletkövetés elsődleges célja a gépi tanulásban?

Tekintse meg az összes kérdést8 kérdéseket

A válaszok és magyarázatok megjelennek a kvíz kitöltésekor.

  1. Mi a kísérletkövetés elsődleges célja a gépi tanulásban?
    • A futtatások reprodukálhatóvá és összehasonlíthatóvá tétele a teljes kontextus rögzítésével
    • Hogy a modellek gyorsabban edzenek a GPU-n
    • A modellek automatikus üzembe helyezése a termelésben
    • Modellsúlyok tömörítéséhez tároláshoz
  2. Melyik kombináció elengedhetetlen ahhoz, hogy egyetlen edzésfutás valóban reprodukálható legyen?
    • Csak a végső pontossági szám
    • Kódverzió, adatkészlet és hiperparaméterek
    • A GPU hőmérséklete és a ventilátor sebessége
    • Az adattudós neve
  3. Ezek közül melyik a népszerű kísérletkövető eszköz?
    • Photoshop
    • Kubernetes
    • MLflow
    • PostgreSQL
  4. Hogyan rögzíti a legtöbb kísérletkövető a mérőszámokat edzés közben?
    • A számok utólagos manuális másolásával egy táblázatba
    • Képernyőképek készítésével a terminálról
    • A modell forráskódjának elolvasásával
    • A képzési hurokba beillesztett API-hívások naplózásával, amelyek egy háttérrendszerbe áramlanak
  5. Általában hol tárolja a nyomkövető rendszer a nagy műtermékeket, például a mentett modellsúlyokat?
    • Objektum/terméktárban, a metaadattárban tárolt hivatkozásokkal
    • A metrika adatbázis sorban belül
    • Állandóan a GPU memóriájában
    • Egyáltalán nem tárolják
  6. Hogyan fejlődik a kísérletkövetés a nagy nyelvi modellek korában?
    • Elhagyják, mert az LLM-eknek nincs szükségük nyomon követésre
    • Mostantól a prompt verziókat, az értékelési nyomkövetéseket és a minőségi kimeneteket is rögzíti
    • Most csak a GPU költségeit követi nyomon
    • Teljesen beolvadt a videószerkesztő szoftverbe
  7. Why record a dataset version or content hash with an ML run?
    • To prove the model is unbiased
    • To guarantee identical GPU arithmetic
    • So the run can be linked to the exact data snapshot used
    • To replace the code version
  8. In MLflow Tracking, where are large model files typically stored relative to parameters and metrics?
    • Only inside the metric names
    • Always embedded in the database row for each parameter
    • They are not recorded by a tracking system
    • In an artifact store, while run metadata is kept in a backend store