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.

  1. 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
  2. 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
  3. 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
  4. Quale libreria Ray è progettata per la ricerca di iperparametri distribuiti?
    • Ray Servire
    • Ray Dati
    • RLlib
    • Ray Tune
  5. 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
  6. Quale libreria Ray utilizzeresti per distribuire modelli dietro un endpoint scalabile e con scalabilità automatica?
    • Ray Tune
    • Ray Servire
    • Ray Train
    • Ray Dati
  7. 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
  8. 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