Quiz collegato alla guida · Medio Livello
Ray per il quiz sull'intelligenza artificiale distribuita
Verifica la tua comprensione delle attività Ray, degli attori, dei riferimenti agli oggetti, delle librerie distribuite e del modo in cui i dati degli oggetti si spostano all'interno di un cluster.
Domanda 1 di 8
Quale problema risolve principalmente Ray?
Anteprima di ogni domanda8 domande
Le risposte e le spiegazioni vengono visualizzate mentre rispondi al quiz.
- Quale problema risolve principalmente Ray?
- Scalabilità dei carichi di lavoro Python e AI da una singola macchina a un cluster di grandi dimensioni con modifiche minime al codice
- Etichettatura automatica delle immagini
- Compressione dei file del modello
- Progettazione di architetture di reti neurali
- In Ray, qual è la differenza tra un "compito" e un "attore"?
- I compiti riguardano le immagini e gli attori riguardano il testo
- Un'attività è una chiamata di funzione parallela senza stato; un attore è un lavoratore con stato che detiene lo stato
- Sono identici
- Le attività vengono eseguite solo su CPU e gli attori solo su stampanti
- Cosa restituisce Ray immediatamente quando avvii un'attività remota?
- Il risultato finale, sempre
- Un messaggio di errore
- Un futuro (riferimento oggetto) che risolvi successivamente con ray.get()
- Una copia dell'intero cluster
- Quale libreria Ray è progettata per la ricerca di iperparametri distribuiti?
- Ray Servire
- Ray Dati
- RLlib
- Ray Tune
- Which object type do Ray’s docs explicitly say can be read from same-node object-store memory without a copy?
- A NumPy array stored in Ray’s object store
- Any Python object whenever an ObjectRef is passed
- An object requested from another node with no network transfer
- Only actor handles stored in a separate database
- Quale libreria Ray utilizzeresti per distribuire modelli dietro un endpoint scalabile e con scalabilità automatica?
- Ray Tune
- Ray Servire
- Ray Train
- Ray Dati
- How does Ray Serve decide when to add replicas in its built-in request-driven autoscaling?
- It reads the model’s training loss
- It changes the number of model parameters
- It monitors ongoing requests or queue demand against configured targets
- It scales only when a human edits the deployment
- How does Ray move an object when a task on a different node needs it?
- It shares the owner’s local memory directly across every node
- It automatically copies all objects into each node’s GPU memory
- It sends only an ObjectRef and never transfers the object data
- It transfers the object over the cluster network; serialization, locality, and object size affect cost