Викторина, связанная с руководством · Жесткий Уровень

JAX и XLA для викторины по машинному обучению

Подключите преобразования JAX к автоматическому дифференцированию, векторизации, компиляции и параллельному выполнению с учетом поведения трассировки.

Связанные направляющие путиJax и Xla для машинного обучения
Предварительный просмотр каждого вопроса8 вопросы

Ответы и пояснения появляются по мере прохождения теста.

  1. Какая трансформация JAX вычисляет градиенты дифференцируемой функции?
    • jax.vmap
    • jax.jit
    • jax.grad
    • jax.device_put
  2. Что предоставляет jax.vmap?
    • Just-in-time compilation
    • Automatic vectorization over a mapped axis
    • Automatic differentiation
    • Explicit random key splitting
  3. Какую роль играет jax.jit?
    • Computes gradients of a scalar objective
    • Vectorizes a function across a batch
    • Places arrays on a selected device
    • Compiles a compatible function for efficient execution through XLA
  4. Почему условие if Python может не сработать внутри функции, скомпилированной с помощью jit, если его условие использует значение массива?
    • Tracing cannot use a runtime array value as an ordinary Python boolean
    • Python evaluates every array-dependent if during tracing
    • An array value always converts to a Python bool inside jit
    • The compiled function specializes on runtime values automatically
  5. Как явное передавание случайного ключа соответствует стилю программирования JAX?
    • It stores one hidden global generator
    • It removes random variation from training
    • It makes randomness an explicit input to computations
    • It fixes package versions
  6. Why may changing input shapes cause additional JAX compilation?
    • The model must retrain for each input
    • Compilation can specialize to shapes and static arguments
    • XLA discards the previous dataset
    • Gradients cannot use arrays
  7. What should be done when timing asynchronous device execution?
    • Measure only Python dispatch time
    • Skip warmup for compiled functions
    • Change the random seed during timing
    • Synchronize the result before stopping the timer
  8. Which statement about JAX versus PyTorch is sound?
    • Choose based on workload, ecosystem and team needs
    • JAX is always faster for every model
    • PyTorch cannot run on accelerators
    • The frameworks have identical APIs