Quiz collegato alla guida · Medio Livello
ExecuTorch per il quiz PyTorch sul dispositivo
Segui l'esportazione e la riduzione di ExecuTorch, comprendi i delegati backend e il partizionamento e verifica la compatibilità sul dispositivo previsto.
Domanda 1 di 8
Quale compito di distribuzione è destinato a supportare ExecuTorch?
Anteprima di ogni domanda8 domande
Le risposte e le spiegazioni vengono visualizzate mentre rispondi al quiz.
- Quale compito di distribuzione è destinato a supportare ExecuTorch?
- Addestrare modelli PyTorch su dispositivi edge durante l'inferenza
- Esportare codice Python arbitrario senza vincoli di input o operatori
- Esportare programmi PyTorch per l'esecuzione con runtime edge supportati
- Convertire TensorFlow SavedModels in contenitori cloud
- Cosa fa un delegato backend?
- Esegue ogni operazione del modello anche quando il backend non supporta
- Esegue le operazioni supportate tramite un'implementazione backend
- Converte un modello in un artefatto portatile senza eseguire operazioni
- Imposta regole di validazione dell'input dell'applicazione
- Cosa può accadere quando un modello contiene operazioni non supportate da un delegato?
- Ogni operatore non supportato viene eseguito automaticamente sul delegato
- Tutti gli operatori non supportati ricadono sempre nel runtime portabile
- Gli operatori non supportati sono approssimati senza controllare gli output
- Alcune operazioni possono rimanere su un percorso di runtime, o la riduzione può fallire
- Perché la partizione di un grafo tra backend e runtime può aggiungere overhead?
- Il movimento dei dati o la sincronizzazione possono verificarsi ai confini della partizione
- La partizione garantisce che i tensori rimangano su un solo dispositivo
- I confini della partizione eliminano le copie per definizione
- Ogni partizione comporta una penalità fissa indipendentemente dal carico di lavoro
- Cosa dovrebbe essere confrontato dopo l'esportazione?
- Confronta solo il nome dell'artefatto esportato
- Confronta solo il numero di nodi contenuti nel grafo ridotto
- Confronta gli output di runtime con l'eager PyTorch su input rappresentativi
- Confronta i valori di output solo dopo aver modificato il preprocessing del modello
- Perché testare il dispositivo di destinazione invece di affidarsi solo al successo dell'esportazione?
- L'esportazione dimostra un comportamento identico su ogni dispositivo
- La copertura e le prestazioni del backend dipendono dal target e dalla build
- Il runtime non ha librerie specifiche per piattaforma
- Ogni delegato supporta tutti gli operatori esportati
- Quali misurazioni di deployment sono utili per un modello on-device?
- Solo perdita di addestramento e accuratezza di validazione
- Tempo di caricamento, latenza a caldo, memoria, dimensione binaria ed energia
- Solo tempo di compilazione del backend e throughput di addestramento
- Conteggio dei parametri del modello e numero di righe di codice sorgente
- Cosa dovrebbe essere registrato con un artefatto di modello esportato?
- Versione del sorgente, impostazioni di esportazione, backend e abbinamento runtime
- Solo un checkpoint portatile Python senza metadati di esportazione
- Solo valori di output di esempio senza la versione di origine
- Gli esatti input privati inviati dagli utenti dell'app