Útmutatóhoz kapcsolódó kvíz · Közepes Szint
Kubeflow és ML Pipeline Orchestration kvíz
Test Kubeflow pipeline components, KFP v2 compilation, and caching decisions, including how dependency graphs coordinate Kubernetes workloads.
kérdés 1 -ból 8
Milyen mögöttes platformon futtatja a Kubeflow a gépi tanulási munkafolyamatokat?
Tekintse meg az összes kérdést8 kérdéseket
A válaszok és magyarázatok megjelennek a kvíz kitöltésekor.
- Milyen mögöttes platformon futtatja a Kubeflow a gépi tanulási munkafolyamatokat?
- Apache Hadoop
- Egy csupasz fém Slurm klaszter
- Kubernetes
- Egyetlen virtuális gép
- A Kubeflow Pipelines rendszerben a munkafolyamat egyes lépései általában hogyan vannak csomagolva?
- Egy dobozban futó konténeres komponensként
- Adatbázisban tárolt eljárásként
- Szerver nélküli funkcióként egy CDN-en
- Egyetlen monolitikus forgatókönyvként
- Milyen struktúrát használ a Kubeflow folyamat a lépések sorrendjének és függőségének kifejezésére?
- Egy lapos lista fentről lefelé végrehajtva
- Egy kör alakú eseményhurok
- Relációs séma
- Irányított aciklikus gráf (DAG)
- Melyik Kubeflow komponens szolgál az automatizált hiperparaméter-hangoláshoz?
- KServe
- Katib
- MinIO
- Argo
- With KFP caching enabled, why might a rerun reuse a previous component result?
- A matching eligible execution already has cached outputs
- KFP never executes a component more than once
- KFP ignores every input change
- KFP randomly chooses which pods to skip
- Melyik Kubeflow komponenst használják elsősorban a betanított modellek kiszolgálására következtetések céljából?
- Katib
- Notebook szerverek
- Argo CD
- KServe
- A team adopts KFP v2. What does the normal compiler output represent?
- A trained model checkpoint
- A PipelineSpec serialized as Intermediate Representation YAML
- A universal Argo Workflows specification for every KFP version
- A SQL query plan for the artifact database
- A Kubeflow step reads a file overwritten at an unchanged URI. Why might its cache need to be disabled or the input version changed?
- Kubernetes forbids external files
- Every pipeline input is automatically content-hashed
- The tracked input can stay the same while the file’s contents change
- Caching always reruns components on every request