Quiz połączony z przewodnikiem · Średni Poziom

Quiz Apache Airflow dotyczący przepływów pracy ML

Zastosuj zależności zadań Airflow, ponowne próby i uzupełnienia do przepływów pracy ML, w tym reguły wyzwalaczy, które określają, kiedy zadania są gotowe do uruchomienia.

Powiązane ścieżki prowadząceApache Airflow dla przepływów pracy ML
Pytanie 1 z 8

Jaka jest podstawowa abstrakcja używana w Apache Airflow do definiowania przepływu pracy?

Podgląd każdego pytania8 pytania

Odpowiedzi i wyjaśnienia pojawiają się w miarę rozwiązywania quizu.

  1. Jaka jest podstawowa abstrakcja używana w Apache Airflow do definiowania przepływu pracy?
    • Manifest YAML
    • Widok SQL
    • DAG (Skierowany Graf Acykliczny) napisany w Pythonie
    • Notatnik Jupytera
  2. Jaką rolę najczęściej odgrywa Airflow w potoku ML?
    • Organizuje i planuje zadania uruchamiane w innych systemach
    • Uczy modele głębokiego uczenia się bezpośrednio na procesorach graficznych
    • Przechowuje wektory cech w pamięci
    • Obsługuje prognozy modeli za pośrednictwem protokołu HTTP
  3. Która konstrukcja Airflow służy do oczekiwania na warunek zewnętrzny, taki jak plik przychodzący do pamięci?
    • Zmienna
    • Pula połączeń
    • Makro
    • Czujnik
  4. Na co pozwala „zasypka” Airflow?
    • Usuń trwale stare uruchomienia DAG
    • Uruchom DAG dla zakresu dat z przeszłości, aby ponownie przetworzyć dane historyczne
    • Zaszyfruj bazę danych metadanych
    • Wyłącz tymczasowo harmonogram
  5. Which Airflow component determines when eligible task instances should be scheduled?
    • Planista
    • The graph view in the web UI
    • A model’s feature encoder
    • The artifact file itself
  6. Co to jest „harmonogram uwzględniający dane” wprowadzony w nowszych wersjach Airflow?
    • Szyfrowanie wszystkich danych przesyłanych pomiędzy zadaniami
    • Automatyczne etykietowanie danych szkoleniowych
    • Zmniejszenie liczby procesorów graficznych na zadanie
    • Wyzwalanie DAG, gdy zestaw danych jest aktualizowany, a nie według stałego zegara
  7. An Airflow cleanup task must run after upstream tasks finish even if one fails. Which setting controls this behavior?
    • The number of model layers
    • The cleanup task’s trigger rule
    • The feature normalization method
    • The UI theme selected for the DAG
  8. A team backfills three months of ML feature data in Airflow. What makes repeating an interrupted task safer?
    • Appending duplicate outputs each time it retries
    • Ignoring the run’s historical date
    • An idempotent operation with the correct historical inputs
    • Changing the training labels on every retry