Test legat de ghid · Mediu Nivel

Test de formate de serializare a modelelor

Tests serialization portability, pickle safety, tensor-only weight files, and verification of exported models across runtimes.

Căi de ghidare aferenteFormate de serializare a modelelor
Întrebare 1 de 8

De ce este considerat formatul pickle al lui Python un risc de securitate pentru modele?

Previzualizează fiecare întrebare8 întrebări

Răspunsurile și explicațiile apar pe măsură ce susțineți testul.

  1. De ce este considerat formatul pickle al lui Python un risc de securitate pentru modele?
    • Încărcarea acestuia poate executa cod arbitrar încorporat în fișier
    • Comprimă prea mult fișierele
    • Functioneaza doar in weekend
    • Acesta șterge modelul original
  2. Care este principalul avantaj al formatului ONNX?
    • Este cel mai mic format posibil
    • Permite unui model antrenat într-un cadru să ruleze în multe alte runtime și limbi
    • Poate fi deschis doar în PyTorch
    • Îmbunătățește automat precizia
  3. De ce au devenit populari dispozitivele de siguranță pentru partajarea greutăților modelelor?
    • Rulează cod la încărcare pentru comoditate
    • Este cel mai vechi format disponibil
    • Stochează numai date tensoare în siguranță, cu încărcare rapidă care poate fi mapată în memorie și fără execuție de cod
    • Stochează doar precizia modelului
  4. GGUF este cel mai asociat cu ce caz de utilizare?
    • Stocarea foilor de calcul
    • Criptarea e-mailurilor
    • Antrenează modele de la zero în cloud
    • Rularea eficientă a modelelor de limbi mari cuantificate pe hardware local
  5. Ce stochează în principal un format de schimb precum ONNX?
    • Un grafic de calcul standardizat și ponderile modelului
    • Un videoclip cu procesul de instruire
    • Doar setul de date de antrenament
    • Comentariile despre codul sursă al dezvoltatorului
  6. When exporting a Keras 3 model for TensorFlow serving, which directory format can model.export produce?
    • GGUF
    • Model salvat
    • CSV
    • A pickle file containing the entire Python application
  7. After exporting a model to ONNX for a new runtime, what should the team check?
    • That the ONNX file guarantees identical speed on every device
    • That the export automatically includes the original training data
    • That supported operators run and outputs match the reference model on representative inputs
    • That no preprocessing code is needed
  8. Why can a state-dictionary checkpoint be preferable to loading a whole Python object from an untrusted file?
    • It guarantees the model architecture is embedded
    • It makes every checkpoint safe regardless of loader and version
    • It automatically converts the model to ONNX
    • It can load tensor state without reconstructing arbitrary pickled Python objects, subject to the loader’s security settings