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.

Percorsi guida correlatiEsecutore sul dispositivo Pytorch
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.

  1. 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
  2. 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
  3. 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
  4. 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
  5. 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
  6. 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
  7. 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
  8. 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