Quiz połączony z przewodnikiem · Średni Poziom

ONNX i quiz dotyczący interoperacyjności modeli

Przetestuj kluczowe koncepcje stojące za wykresami ONNX, operatorami, dostawcami rozwiązań wykonawczych, wymianą modeli i optymalizacją grafów w różnych środowiskach wykonawczych.

Powiązane ścieżki prowadząceOnnx i interoperacyjność modelu
Pytanie 1 z 8

Jaki podstawowy problem rozwiązuje przede wszystkim ONNX?

Podgląd każdego pytania8 pytania

Odpowiedzi i wyjaśnienia pojawiają się w miarę rozwiązywania quizu.

  1. Jaki podstawowy problem rozwiązuje przede wszystkim ONNX?
    • Przenoszenie modeli pomiędzy różnymi frameworkami i środowiskami wykonawczymi za pomocą wspólnego formatu
    • Automatyczne etykietowanie danych treningowych
    • Generowanie nowych architektur sieci neuronowych
    • Szyfrowanie wag modeli dla bezpieczeństwa
  2. W jaki sposób plik ONNX reprezentuje model?
    • Jako surowe dane treningowe
    • Jako wykres obliczeniowy operatorów standardowych
    • Jako pojedyncza liczba zmiennoprzecinkowa
    • Jako kod źródłowy w Pythonie
  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. Co w środowisku wykonawczym ONNX oznacza „dostawca wykonania”?
    • Konto rozliczeniowe w chmurze
    • Osoba, która trenowała model
    • Rodzaj funkcji straty
    • Backend, który uruchamia obsługiwane operatory na określonym sprzęcie, takim jak procesor, CUDA lub TensorRT
  5. Co definiuje wersja „opset” (zestaw operatorów) w modelu ONNX?
    • Którą wersję standardowych operatorów wykorzystuje wykres
    • Dokładność modelu na zbiorze testowym
    • Wymagana liczba procesorów graficznych
    • Tempo uczenia się podczas treningu
  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
    • Model zostanie automatycznie przeszkolony
    • 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