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.

Kapcsolódó útmutató utakKubeflow és ML csővezeték orkráráció
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.

  1. Milyen mögöttes platformon futtatja a Kubeflow a gépi tanulási munkafolyamatokat?
    • Apache Hadoop
    • Egy csupasz fém Slurm klaszter
    • Kubernetes
    • Egyetlen virtuális gép
  2. 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
  3. 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)
  4. Melyik Kubeflow komponens szolgál az automatizált hiperparaméter-hangoláshoz?
    • KServe
    • Katib
    • MinIO
    • Argo
  5. 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
  6. Melyik Kubeflow komponenst használják elsősorban a betanított modellek kiszolgálására következtetések céljából?
    • Katib
    • Notebook szerverek
    • Argo CD
    • KServe
  7. 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
  8. 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