Викторина, связанная с руководством · Средний Уровень

Тест по развертыванию Core ML для Apple на устройстве

Преобразуйте и интегрируйте модель с Core ML, учитывая типы пакетов, цели развертывания, предварительную обработку, выбор оборудования и тестирование устройств.

Связанные направляющие путиРазвертывание Core ML на устройстве
Вопрос 1 из 8

Какую роль Core ML играет в приложении Apple?

Предварительный просмотр каждого вопроса8 вопросы

Ответы и пояснения появляются по мере прохождения теста.

  1. Какую роль Core ML играет в приложении Apple?
    • Создание архитектур моделей и оптимизация их функции потерь при обучении внутри приложения
    • Преобразование поддерживаемых исходных моделей для использования в приложении Core ML
    • Запуск вывода обученной модели через поддерживаемое программное и аппаратное обеспечение Apple
    • Преобразование исходных контрольных точек в артефакты Core ML без отдельных инструментов конвертации
  2. Что обычно делают инструменты Core ML в рабочем процессе преобразования?
    • Настраивает метки классов исходной модели, чтобы они соответствовали приложению
    • Преобразует поддерживаемые исходные модели в представления Core ML
    • Выбирает вычислительные блоки среды выполнения для каждого предсказания
    • Выполняет скомпилированную модель внутри приложения
  3. Зачем устанавливать и проверять минимальную цель развертывания?
    • Выбирает оптимизатор обучения для модели
    • Управляет тем, в каком облачном регионе хранится модель
    • Выбирает ускоритель во время выполнения
    • Форматы моделей и API имеют минимальные требования к доступности ОС
  4. Что может привести к тому, что прогнозы Core ML будут отличаться от исходной модели?
    • Различная предобработка, такая как порядок цветов или нормализация
    • Переименованный ресурс модели в пакете приложения
    • Изменение предпочтения вычислительного блока
    • Разный номер сборки исходного кода
  5. Гарантирует ли настройка вычислительного блока, что каждая операция выполняется на Neural Engine?
    • Да, предпочтение вычислительного блока гарантирует, что каждая операция использует Neural Engine
    • Да, настройка выбирает самый быстрый ускоритель для каждого устройства
    • Нет; настройки вычислительного блока ограничивают допустимые ресурсы, но размещение зависит от устройства и поддержки операции
    • Нет; Core ML выполняется только на CPU независимо от конфигурации
  6. Почему проводить бенчмарк на физических целевых устройствах?
    • Тайминг симулятора фиксирует термическое ограничение и нагрузку памяти на каждом целевом устройстве
    • Задержка, память и энергия зависят от реального оборудования и ОС
    • Все семейства устройств Apple используют одинаковый план выполнения
    • Каждое физическое устройство использует одни и те же поддерживаемые форматы моделей независимо от версии ОС
  7. Что следует проверить при конвертации в модель ML Program?
    • Что она всегда использует устаревший формат модели в виде одного файла
    • Что конвертация меняет её на контрольную точку TensorFlow
    • Что для преобразованной модели требуется сетевой сервис
    • Её формат пакета и минимальная доступность ОС
  8. Какая практика поддерживает надёжный путь предсказания на устройстве?
    • Сравните выводы приложения после интеграции предобработки и загрузки модели
    • Предположите, что успешная конвертация доказывает эквивалентность предсказаний
    • Тестируйте артефакт только в симуляторе
    • Пропустите проверку ввода, потому что модель объявляет свою форму