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.
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.
- 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
- 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
- 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
- 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
- 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
- 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
- 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
- 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