Útmutatóhoz kapcsolódó kvíz · Közepes Szint
Ray for Distributed AI Quiz
Check your understanding of Ray tasks, actors, object references, distributed libraries, and how object data moves within a cluster.
kérdés 1 -ból 8
Melyik problémát oldja meg elsősorban Ray?
Tekintse meg az összes kérdést8 kérdéseket
A válaszok és magyarázatok megjelennek a kvíz kitöltésekor.
- Melyik problémát oldja meg elsősorban Ray?
- A Python és az AI munkaterhelések méretezése egyetlen gépről egy nagy fürtre minimális kódmódosítással
- A képek automatikus címkézése
- Modellfájlok tömörítése
- Neurális hálózati architektúrák tervezése
- Ray-ben mi a különbség a „feladat” és a „színész” között?
- A feladatok a képeknek, a színészek a szövegnek szólnak
- A feladat állapot nélküli párhuzamos függvényhívás; a színész egy állapottartó munkás, aki rendelkezik állammal
- Egyformák
- A feladatok csak a CPU-kon futnak, a szereplők pedig csak a nyomtatókon
- Mit ad vissza Ray azonnal, amikor elindít egy távoli feladatot?
- A végeredmény, mindig
- Hibaüzenet
- Egy jövő (objektumhivatkozás), amelyet később a ray.get() segítségével old meg
- A teljes klaszter másolata
- Melyik Ray-könyvtár készült elosztott hiperparaméteres keresésre?
- Ray Serve
- Ray Data
- RLlib
- Ray Tune
- Which object type do Ray’s docs explicitly say can be read from same-node object-store memory without a copy?
- A NumPy array stored in Ray’s object store
- Any Python object whenever an ObjectRef is passed
- An object requested from another node with no network transfer
- Only actor handles stored in a separate database
- Melyik Ray-könyvtárat használná a modellek skálázható, automatikusan skálázó végpont mögé történő telepítéséhez?
- Ray Tune
- Ray Serve
- Ray Train
- Ray Data
- How does Ray Serve decide when to add replicas in its built-in request-driven autoscaling?
- It reads the model’s training loss
- It changes the number of model parameters
- It monitors ongoing requests or queue demand against configured targets
- It scales only when a human edits the deployment
- How does Ray move an object when a task on a different node needs it?
- It shares the owner’s local memory directly across every node
- It automatically copies all objects into each node’s GPU memory
- It sends only an ObjectRef and never transfers the object data
- It transfers the object over the cluster network; serialization, locality, and object size affect cost