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.
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.
- Melyik JAX transzformáció számítja ki a differenciálható függvény gradienseit?
- jax.vmap
- jax.jit
- jax.grad
- jax.device_put
- Mit nyújt a jax.vmap?
- Just-in-time összeállítás
- Automatikus vektorizálás egy leképezett tengely felett
- Automatikus differenciálás
- Explicit véletlenszerű kulcsfelosztás
- 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
- 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
- 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
- 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
- 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
- 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