Útmutatóhoz kapcsolódó kvíz · Közepes Szint
ONNX és modell-együttműködési kvíz
Test the key ideas behind ONNX graphs, operators, execution providers, model exchange, and graph optimization across runtimes.
kérdés 1 -ból 8
Milyen alapvető problémát old meg elsősorban az ONNX?
Tekintse meg az összes kérdést8 kérdéseket
A válaszok és magyarázatok megjelennek a kvíz kitöltésekor.
- Milyen alapvető problémát old meg elsősorban az ONNX?
- Modellek mozgatása különböző keretrendszerek és futási környezetek között egy közös formátumon keresztül
- Az edzésadatok automatikus címkézése
- Új neurális hálózati architektúrák generálása
- Modellsúlyok titkosítása a biztonság érdekében
- Hogyan ábrázol egy ONNX fájl egy modellt?
- Nyers edzési adatokként
- Szabványosított operátorok számítási grafikonjaként
- Egyetlen lebegőpontos számként
- Forráskódként Pythonban
- What does the acronym ONNX stand for?
- Optimized Network Node Execution
- Open Neural Network Extension
- Open Neural Network Exchange
- Operator Network Normalization Exchange
- Az ONNX Runtime-ban mi az a „végrehajtási szolgáltató”?
- Felhőalapú számlázási fiók
- Az a személy, aki kiképezte a modellt
- A veszteségfüggvény egy fajtája
- Olyan háttérrendszer, amely támogatott operátorokat futtat bizonyos hardvereken, például CPU-n, CUDA-n vagy TensorRT-n
- Mit definiál az „opset” (operátorkészlet) verzió egy ONNX modellben?
- A szabványos operátorok melyik verzióját használja a gráf
- A modell pontossága egy tesztkészleten
- A szükséges GPU-k száma
- A képzés tanulási aránya
- Which graph-level operations can ONNX Runtime apply?
- Automatic retraining and label correction
- Constant folding and node fusion, among other optimizations
- Changing a model’s architecture to a new framework
- Generating new training examples from inference requests
- What can happen when an ONNX Runtime execution provider supports only part of a model graph?
- The provider must execute every node or fail by definition
- A modell automatikusan átképzésre kerül
- The runtime can assign supported nodes or subgraphs to that provider and others to a different provider
- All unsupported operators are deleted
- Why should an ONNX deployment check the model’s opset against the target runtime?
- The opset specifies the model’s training dataset size
- An opset number guarantees identical performance
- The opset controls the number of GPU devices
- The graph uses versioned operator definitions that the runtime must support