Kuiz berkaitan panduan · Sederhana Tahap

Kuiz Format Serialisasi Model

Menguji kemudahalihan bersiri, keselamatan jeruk, fail berat tensor sahaja dan pengesahan model yang dieksport merentas masa jalan.

Laluan panduan yang berkaitanFormat Serialisasi Model
soalan 1 daripada 8

Mengapakah format acar Python dianggap sebagai risiko keselamatan untuk model?

Pratonton setiap soalan8 soalan

Jawapan dan penjelasan muncul semasa anda mengambil kuiz.

  1. Mengapakah format acar Python dianggap sebagai risiko keselamatan untuk model?
    • Memuatkannya boleh melaksanakan kod arbitrari yang dibenamkan dalam fail
    • Ia memampatkan fail terlalu banyak
    • Ia hanya berfungsi pada hujung minggu
    • Ia memadam model asal
  2. Apakah kelebihan utama format ONNX?
    • Ia adalah format terkecil yang mungkin
    • Ia membolehkan model yang dilatih dalam satu rangka kerja dijalankan dalam banyak masa jalan dan bahasa lain
    • Ia hanya boleh dibuka dalam PyTorch
    • Ia secara automatik meningkatkan ketepatan
  3. Mengapakah safetensor menjadi popular untuk berkongsi berat model?
    • Ia menjalankan kod semasa dimuatkan untuk kemudahan
    • Ia adalah format tertua yang tersedia
    • Ia hanya menyimpan data tensor dengan selamat, dengan pemuatan boleh peta memori yang pantas dan tiada pelaksanaan kod
    • Ia hanya menyimpan ketepatan model
  4. GGUF paling banyak dikaitkan dengan kes penggunaan yang manakah?
    • Menyimpan hamparan
    • Menyulitkan e-mel
    • Melatih model dari awal di awan
    • Menjalankan model bahasa besar terkuantisasi dengan cekap pada perkakasan tempatan
  5. Apakah format pertukaran seperti ONNX terutamanya disimpan?
    • Graf pengiraan piawai dan berat model
    • Video proses latihan
    • Hanya set data latihan
    • Komen kod sumber pembangun
  6. When exporting a Keras 3 model for TensorFlow serving, which directory format can model.export produce?
    • GGUF
    • SavedModel
    • CSV
    • A pickle file containing the entire Python application
  7. 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
  8. 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