Quiz collegato alla guida · Medio Livello
Quiz sui formati di serializzazione dei modelli
Verifica la portabilità della serializzazione, la sicurezza del pickle, i file di peso solo tensore e la verifica dei modelli esportati durante i runtime.
Domanda 1 di 8
Perché il formato pickle di Python è considerato un rischio per la sicurezza dei modelli?
Anteprima di ogni domanda8 domande
Le risposte e le spiegazioni vengono visualizzate mentre rispondi al quiz.
- Perché il formato pickle di Python è considerato un rischio per la sicurezza dei modelli?
- Caricandolo è possibile eseguire codice arbitrario incorporato nel file
- Comprime troppo i file
- Funziona solo nei fine settimana
- Elimina il modello originale
- Qual è il vantaggio principale del formato ONNX?
- È il formato più piccolo possibile
- Consente a un modello addestrato in un framework di essere eseguito in molti altri runtime e linguaggi
- Può essere aperto solo in PyTorch
- Migliora automaticamente la precisione
- Perché i safetensor sono diventati popolari per la condivisione dei pesi dei modelli?
- Esegue il codice al caricamento per comodità
- È il formato più vecchio disponibile
- Memorizza solo i dati del tensore in modo sicuro, con caricamento rapido mappabile in memoria e nessuna esecuzione di codice
- Memorizza solo la precisione del modello
- GGUF è maggiormente associato a quale caso d'uso?
- Memorizzazione di fogli di calcolo
- Crittografia delle email
- Modelli di training da zero nel cloud
- Esecuzione efficiente di modelli linguistici di grandi dimensioni quantizzati sull'hardware locale
- Cosa memorizza principalmente un formato di interscambio come ONNX?
- Un grafico computazionale standardizzato e i pesi del modello
- Un video del processo di formazione
- Solo il set di dati di addestramento
- Commenti sul codice sorgente dello sviluppatore
- When exporting a Keras 3 model for TensorFlow serving, which directory format can model.export produce?
- GGUF
- Modello salvato
- CSV
- A pickle file containing the entire Python application
- 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
- 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