Quiz collegato alla guida · Medio Livello
ONNX e quiz sull'interoperabilità dei modelli
Metti alla prova le idee chiave alla base dei grafici ONNX, degli operatori, dei provider di esecuzione, dello scambio di modelli e dell'ottimizzazione dei grafici nei vari runtime.
Domanda 1 di 8
Quale problema fondamentale risolve principalmente ONNX?
Anteprima di ogni domanda8 domande
Le risposte e le spiegazioni vengono visualizzate mentre rispondi al quiz.
- Quale problema fondamentale risolve principalmente ONNX?
- Spostamento di modelli tra framework e runtime diversi tramite un formato comune
- Etichettatura automatica dei dati di addestramento
- Generazione di nuove architetture di reti neurali
- Crittografia dei pesi del modello per motivi di sicurezza
- In che modo un file ONNX rappresenta un modello?
- Come dati di allenamento grezzi
- Come un grafico di calcolo di operatori standardizzati
- Come un singolo numero in virgola mobile
- Come codice sorgente in Python
- Cosa significa l'acronimo ONNX?
- Optimized Network Node Execution
- Open Neural Network Extension
- Apri Scambio rete neurale
- Operator Network Normalization Exchange
- In ONNX Runtime, cos'è un "provider di esecuzione"?
- Un account di fatturazione cloud
- La persona che ha addestrato il modello
- Un tipo di funzione di perdita
- Un backend che esegue operatori supportati su hardware specifico come CPU, CUDA o TensorRT
- Cosa definisce la versione "opset" (set di operatori) in un modello ONNX?
- Quale versione degli operatori standardizzati utilizza il grafico
- La precisione del modello su un set di prova
- Il numero di GPU richieste
- Il tasso di apprendimento formativo
- Which graph-level operations can ONNX Runtime apply?
- Automatic retraining and label correction
- Constant folding and node fusion, among other optimizations
- Changing a model’s architecture to a new framework
- Generating new training examples from inference requests
- What can happen when an ONNX Runtime execution provider supports only part of a model graph?
- The provider must execute every node or fail by definition
- Il modello viene automaticamente riqualificato
- The runtime can assign supported nodes or subgraphs to that provider and others to a different provider
- All unsupported operators are deleted
- Why should an ONNX deployment check the model’s opset against the target runtime?
- The opset specifies the model’s training dataset size
- An opset number guarantees identical performance
- The opset controls the number of GPU devices
- The graph uses versioned operator definitions that the runtime must support