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.

Percorsi guida correlatiOnnx e interoperabilità dei modelli
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.

  1. 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
  2. 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
  3. Cosa significa l'acronimo ONNX?
    • Optimized Network Node Execution
    • Open Neural Network Extension
    • Apri Scambio rete neurale
    • Operator Network Normalization Exchange
  4. 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
  5. 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
  6. 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
  7. 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
  8. 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