Quiz połączony z przewodnikiem · Średni Poziom

Quiz dotyczący śledzenia eksperymentów

Obejmuje metadane, metryki, artefakty, tożsamość zestawu danych, przechwytywanie środowiska i to, co mogą obsługiwać rekordy eksperymentów.

Powiązane ścieżki prowadząceŚledzenie eksperymentu
Pytanie 1 z 8

Jaki jest główny cel śledzenia eksperymentów w uczeniu maszynowym?

Podgląd każdego pytania8 pytania

Odpowiedzi i wyjaśnienia pojawiają się w miarę rozwiązywania quizu.

  1. Jaki jest główny cel śledzenia eksperymentów w uczeniu maszynowym?
    • Aby przebiegi były powtarzalne i porównywalne poprzez rejestrowanie ich pełnego kontekstu
    • Aby modele trenowały szybciej na GPU
    • Aby automatycznie wdrażać modele w środowisku produkcyjnym
    • Aby skompresować ciężary modeli do przechowywania
  2. Która kombinacja jest niezbędna, aby pojedynczy przebieg treningowy był naprawdę powtarzalny?
    • Tylko ostateczna liczba dokładności
    • Wersja kodu, zestaw danych i hiperparametry
    • Temperatura GPU i prędkość wentylatora
    • Imię i nazwisko analityka danych
  3. Które z nich jest popularnym narzędziem do śledzenia eksperymentów?
    • Photoshopa
    • Kubernetes
    • MLflow
    • PostgreSQL
  4. W jaki sposób większość modułów śledzących eksperymenty zazwyczaj rejestruje dane podczas szkolenia?
    • Następnie ręcznie kopiując liczby do arkusza kalkulacyjnego
    • Robiąc zrzuty ekranu terminala
    • Czytając kod źródłowy modelu
    • Poprzez rejestrowanie wywołań API wstawianych do pętli szkoleniowej, które przesyłane są strumieniowo do backendu
  5. Gdzie duże artefakty, takie jak zapisane masy modeli, są zwykle przechowywane przez system śledzenia?
    • W magazynie obiektów/artefaktów, z odniesieniami przechowywanymi w magazynie metadanych
    • Wewnątrz wiersza bazy danych metryk
    • W pamięci GPU na stałe
    • W ogóle nie są przechowywane
  6. Jak ewoluuje śledzenie eksperymentów w epoce dużych modeli językowych?
    • Jest porzucany, ponieważ LLM nie wymagają śledzenia
    • Teraz rejestruje także wersje podpowiedzi, ślady oceny i wyniki jakościowe
    • Teraz śledzi tylko koszty procesora graficznego
    • Połączył się całkowicie z oprogramowaniem do edycji wideo
  7. Why record a dataset version or content hash with an ML run?
    • To prove the model is unbiased
    • To guarantee identical GPU arithmetic
    • So the run can be linked to the exact data snapshot used
    • To replace the code version
  8. In MLflow Tracking, where are large model files typically stored relative to parameters and metrics?
    • Only inside the metric names
    • Always embedded in the database row for each parameter
    • They are not recorded by a tracking system
    • In an artifact store, while run metadata is kept in a backend store