Gids-gekoppelde quiz · Middelmatig Niveau
Modelserialiseringsformaten Quiz
Test serialisatie-portabiliteit, pickle-veiligheid, tensor-only gewichtsbestanden en verificatie van geëxporteerde modellen over runtimes heen.
Vraag 1 van 8
Waarom wordt het Pickle-formaat van Python beschouwd als een beveiligingsrisico voor modellen?
Bekijk elke vraag8 vragen
Antwoorden en uitleg verschijnen terwijl je de quiz doet.
- Waarom wordt het Pickle-formaat van Python beschouwd als een beveiligingsrisico voor modellen?
- Als u het laadt, kan willekeurige code worden uitgevoerd die in het bestand is ingebed
- Het comprimeert bestanden te veel
- Het werkt alleen in het weekend
- Het verwijdert het originele model
- Wat is het belangrijkste voordeel van het ONNX-formaat?
- Het is het kleinst mogelijke formaat
- Het zorgt ervoor dat een model dat in één raamwerk is getraind, in veel andere runtimes en talen kan worden uitgevoerd
- Het kan alleen worden geopend in PyTorch
- Het verbetert automatisch de nauwkeurigheid
- Waarom zijn safetensors populair geworden voor het delen van modelgewichten?
- Voor het gemak voert het code uit tijdens het laden
- Het is het oudste beschikbare formaat
- Het slaat alleen tensorgegevens veilig op, met snel geheugen-toewijsbaar laden en geen code-uitvoering
- Het slaat alleen de modelnauwkeurigheid op
- Met welke use case wordt GGUF het meest geassocieerd?
- Spreadsheets opslaan
- E-mails coderen
- Train modellen helemaal opnieuw in de cloud
- Gekwantiseerde grote taalmodellen efficiënt uitvoeren op lokale hardware
- Wat slaat een uitwisselingsformaat zoals ONNX voornamelijk op?
- Een gestandaardiseerde computationele grafiek en de gewichten van het model
- Een video van het trainingsproces
- Alleen de trainingsgegevensset
- Commentaar op de broncode van de ontwikkelaar
- When exporting a Keras 3 model for TensorFlow serving, which directory format can model.export produce?
- GGUF
- Opgeslagen model
- CSV
- A pickle file containing the entire Python application
- 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
- 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