Kuis terkait panduan · Sedang Tingkat

Kuis Format Serialisasi Model

Menguji portabilitas serialisasi, keamanan acar, file bobot khusus tensor, dan verifikasi model yang diekspor di seluruh runtime.

Jalur panduan terkaitFormat Serialisasi Model
Pertanyaan 1 dari 8

Mengapa format acar Python dianggap sebagai risiko keamanan bagi model?

Pratinjau setiap pertanyaan8 pertanyaan

Jawaban dan penjelasan muncul saat Anda mengikuti kuis.

  1. Mengapa format acar Python dianggap sebagai risiko keamanan bagi model?
    • Memuatnya dapat mengeksekusi kode arbitrer yang tertanam dalam file
    • Ini memampatkan file terlalu banyak
    • Ini hanya berfungsi pada akhir pekan
    • Ini menghapus model aslinya
  2. Apa keunggulan utama format ONNX?
    • Ini adalah format sekecil mungkin
    • Hal ini memungkinkan model yang dilatih dalam satu kerangka kerja berjalan di banyak waktu proses dan bahasa lainnya
    • Itu hanya bisa dibuka di PyTorch
    • Ini secara otomatis meningkatkan akurasi
  3. Mengapa safetensor menjadi populer untuk berbagi bobot model?
    • Ini menjalankan kode saat dimuat untuk kenyamanan
    • Ini adalah format tertua yang tersedia
    • Ia hanya menyimpan data tensor dengan aman, dengan pemuatan cepat yang dapat dipetakan memori dan tanpa eksekusi kode
    • Ini hanya menyimpan akurasi model
  4. GGUF paling banyak dikaitkan dengan kasus penggunaan yang mana?
    • Menyimpan spreadsheet
    • Mengenkripsi email
    • Melatih model dari awal di cloud
    • Menjalankan model bahasa besar yang terkuantisasi secara efisien pada perangkat keras lokal
  5. Apa yang terutama disimpan oleh format pertukaran seperti ONNX?
    • Grafik komputasi standar dan bobot model
    • Video proses pelatihan
    • Hanya kumpulan data pelatihan
    • Komentar kode sumber pengembang
  6. When exporting a Keras 3 model for TensorFlow serving, which directory format can model.export produce?
    • GGUF
    • Model Tersimpan
    • 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