Gids-gekoppelde quiz · Middelmatig Niveau
ONNX en modelinteroperabiliteitsquiz
Test de kernideeën achter ONNX-grafen, operatoren, execution providers, modeluitwisseling en grafenoptimalisatie over verschillende runtimes.
Vraag 1 van 8
Welk kernprobleem lost ONNX vooral op?
Bekijk elke vraag8 vragen
Antwoorden en uitleg verschijnen terwijl je de quiz doet.
- 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
- 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
- What does the acronym ONNX stand for?
- Optimized Network Node Execution
- Open Neural Network Extension
- Open Neural Network Exchange
- Operator Network Normalization Exchange
- 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
- 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
- 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
- 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
- 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