Útmutatóhoz kapcsolódó kvíz · Közepes Szint

Modell szerializációs formátumok kvíz

Tests serialization portability, pickle safety, tensor-only weight files, and verification of exported models across runtimes.

Kapcsolódó útmutató utakModell szerializációs formátumok
kérdés 1 -ból 8

Miért tekintik a Python pácolás formátumát biztonsági kockázatnak a modellek számára?

Tekintse meg az összes kérdést8 kérdéseket

A válaszok és magyarázatok megjelennek a kvíz kitöltésekor.

  1. Miért tekintik a Python pácolás formátumát biztonsági kockázatnak a modellek számára?
    • Betöltése tetszőleges, a fájlba ágyazott kódot futtathat
    • Túlságosan tömöríti a fájlokat
    • Csak hétvégén működik
    • Törli az eredeti modellt
  2. Mi az ONNX formátum fő előnye?
    • Ez a lehető legkisebb formátum
    • Lehetővé teszi, hogy egy keretrendszerben betanított modell számos más futási környezetben és nyelven futhasson
    • Csak PyTorchban nyitható meg
    • Automatikusan javítja a pontosságot
  3. Miért váltak népszerűvé a széfek a modellsúlyok megosztására?
    • Betöltéskor kódot futtat a kényelem érdekében
    • Ez a legrégebbi elérhető formátum
    • Csak a tenzoradatokat tárolja biztonságosan, gyors memória-leképezhető betöltéssel és kódvégrehajtás nélkül
    • Csak a modell pontosságát tárolja
  4. Melyik használati esethez kapcsolódik leginkább a GGUF?
    • Táblázatok tárolása
    • E-mailek titkosítása
    • Képzési modellek a semmiből a felhőben
    • Kvantizált nagy nyelvi modellek hatékony futtatása helyi hardveren
  5. Mit tárol elsősorban az olyan csereformátum, mint az ONNX?
    • Egy szabványosított számítási grafikon és a modell súlyai
    • Videó az edzés folyamatáról
    • Csak a képzési adatkészlet
    • A fejlesztő forráskód megjegyzései
  6. When exporting a Keras 3 model for TensorFlow serving, which directory format can model.export produce?
    • GGUF
    • MentettModel
    • CSV
    • A pickle file containing the entire Python application
  7. After exporting a model to ONNX for a new runtime, what should the team check?
    • That the ONNX file guarantees identical speed on every device
    • That the export automatically includes the original training data
    • That supported operators run and outputs match the reference model on representative inputs
    • That no preprocessing code is needed
  8. Why can a state-dictionary checkpoint be preferable to loading a whole Python object from an untrusted file?
    • It guarantees the model architecture is embedded
    • It makes every checkpoint safe regardless of loader and version
    • It automatically converts the model to ONNX
    • It can load tensor state without reconstructing arbitrary pickled Python objects, subject to the loader’s security settings