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.

Kapcsolódó útmutató utakRay Elosztott MI-hez
kérdés 1 -ból 8

Melyik problémát oldja meg elsősorban Ray?

Tekintse meg az összes kérdést8 kérdéseket

A válaszok és magyarázatok megjelennek a kvíz kitöltésekor.

  1. 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
  2. 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
  3. 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
  4. Melyik Ray-könyvtár készült elosztott hiperparaméteres keresésre?
    • Ray Serve
    • Ray Data
    • RLlib
    • Ray Tune
  5. 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
  6. Melyik Ray-könyvtárat használná a modellek skálázható, automatikusan skálázó végpont mögé történő telepítéséhez?
    • Ray Tune
    • Ray Serve
    • Ray Train
    • Ray Data
  7. 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
  8. 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