Gids-gekoppelde quiz · Middelmatig Niveau

ONNX en modelinteroperabiliteitsquiz

Test de kernideeën achter ONNX-grafen, operatoren, execution providers, modeluitwisseling en grafenoptimalisatie over verschillende runtimes.

Gerelateerde gidspadenOnnx en modelinteroperabiliteit
Vraag 1 van 8

Welk kernprobleem lost ONNX vooral op?

Bekijk elke vraag8 vragen

Antwoorden en uitleg verschijnen terwijl je de quiz doet.

  1. Welk kernprobleem lost ONNX vooral op?
    • Modellen verplaatsen tussen verschillende frameworks en runtimes via een gemeenschappelijk formaat
    • Trainingsgegevens automatisch labelen
    • Het genereren van nieuwe neurale netwerkarchitecturen
    • Modelgewichten coderen voor beveiliging
  2. Hoe vertegenwoordigt een ONNX-bestand een model?
    • Als ruwe trainingsgegevens
    • Als een berekeningsgrafiek van gestandaardiseerde operatoren
    • Als een enkel drijvende-kommagetal
    • Als broncode in Python
  3. What does the acronym ONNX stand for?
    • Optimized Network Node Execution
    • Open Neural Network Extension
    • Open Neural Network Exchange
    • Operator Network Normalization Exchange
  4. Wat is een 'uitvoeringsprovider' in ONNX Runtime?
    • Een cloudfactureringsaccount
    • De persoon die het model heeft getraind
    • Een soort verliesfunctie
    • Een backend die ondersteunde operators uitvoert op specifieke hardware zoals CPU, CUDA of TensorRT
  5. Wat definieert de 'opset'-versie (operatorset) in een ONNX-model?
    • Welke versie van de gestandaardiseerde operatoren de grafiek gebruikt
    • De nauwkeurigheid van het model op een testset
    • Het aantal vereiste GPU's
    • Het leerpercentage van de training
  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
    • Het model wordt automatisch opnieuw getraind
    • 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