Útmutatóhoz kapcsolódó kvíz · Kemény Szint

JAX és XLA gépi tanuláshoz kvíz

Csatlakoztassa a JAX transzformációkat az automatikus megkülönböztetéshez, vektorizáláshoz, fordításhoz és párhuzamos végrehajtáshoz, miközben figyelembe veszi a nyomkövetési viselkedést.

Kapcsolódó útmutató utakJax And Xla For Machine Learning
kérdés 1 -ból 8

Melyik JAX transzformáció számítja ki a differenciálható függvény gradienseit?

Tekintse meg az összes kérdést8 kérdéseket

A válaszok és magyarázatok megjelennek a kvíz kitöltésekor.

  1. Melyik JAX transzformáció számítja ki a differenciálható függvény gradienseit?
    • jax.vmap
    • jax.jit
    • jax.grad
    • jax.device_put
  2. Mit nyújt a jax.vmap?
    • Just-in-time összeállítás
    • Automatikus vektorizálás egy leképezett tengely felett
    • Automatikus differenciálás
    • Explicit véletlenszerű kulcsfelosztás
  3. Milyen szerepet játszik a jax.jit?
    • Kiszámítja a skaláris cél gradienseit
    • Vektorosít egy függvényt egy kötegben
    • Tömböket helyez el a kiválasztott eszközön
    • Kompatibilis függvényt fordít az XLA-n keresztüli hatékony végrehajtáshoz
  4. Miért lehet egy Python, ha az utasítás meghiúsul egy jitted függvényen belül, amikor a feltétele tömbértéket használ?
    • A nyomkövetés nem használhat futásidejű tömbértéket közönséges Python logikai értékként
    • A Python minden tömbfüggőt kiértékel a nyomkövetés során
    • Egy tömbérték mindig Python boollá alakul a jit-en belül
    • A lefordított függvény automatikusan a futási értékekre specializálódott
  5. Hogyan illeszkedik a JAX programozási stílusához az explicit véletlenszerű átadás?
    • Egy rejtett globális generátort tárol
    • Eltávolítja a véletlenszerű variációt az edzésből
    • A véletlenszerűséget a számítások explicit bemenetévé teszi
    • Javítja a csomag verzióit
  6. Miért okozhat további JAX fordítást a bemeneti alakzatok megváltoztatása?
    • The model must retrain for each input
    • Compilation can specialize to shapes and static arguments
    • XLA discards the previous dataset
    • Gradients cannot use arrays
  7. What should be done when timing asynchronous device execution?
    • Measure only Python dispatch time
    • Skip warmup for compiled functions
    • Change the random seed during timing
    • Synchronize the result before stopping the timer
  8. Which statement about JAX versus PyTorch is sound?
    • Choose based on workload, ecosystem and team needs
    • JAX is always faster for every model
    • PyTorch cannot run on accelerators
    • The frameworks have identical APIs