Gids-gekoppelde quiz · Middelmatig Niveau

Ray voor gedistribueerde AI-quiz

Controleer je begrip van Ray-taken, acteurs, objectreferenties, gedistribueerde bibliotheken, en hoe objectgegevens zich verplaatsen binnen een cluster.

Gerelateerde gidspadenRay voor gedistribueerde AI
Vraag 1 van 8

Welk probleem lost Ray vooral op?

Bekijk elke vraag8 vragen

Antwoorden en uitleg verschijnen terwijl je de quiz doet.

  1. Welk probleem lost Ray vooral op?
    • Schaal Python- en AI-workloads van één enkele machine naar een groot cluster met minimale codewijzigingen
    • Afbeeldingen automatisch labelen
    • Modelbestanden comprimeren
    • Ontwerpen van neurale netwerkarchitecturen
  2. Wat is bij Ray het verschil tussen een ‘taak’ en een ‘acteur’?
    • Taken zijn voor afbeeldingen en acteurs zijn voor tekst
    • Een taak is een staatloze parallelle functieaanroep; een actor is een staatsarbeider die de staat bekleedt
    • Ze zijn identiek
    • Taken worden alleen op CPU's uitgevoerd en actoren alleen op printers
  3. Wat geeft Ray onmiddellijk terug als je een taak op afstand start?
    • Het eindresultaat, altijd
    • Een foutmelding
    • Een future (objectreferentie) die u later oplost met ray.get()
    • Een kopie van het hele cluster
  4. Welke Ray-bibliotheek is ontworpen voor gedistribueerd zoeken naar hyperparameters?
    • Ray Serve
    • Ray-gegevens
    • 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. Welke Ray-bibliotheek zou u gebruiken om modellen achter een schaalbaar, automatisch schalend eindpunt te implementeren?
    • Ray Tune
    • Ray Serve
    • Ray trein
    • Ray-gegevens
  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