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.
Вопрос 1 из 8
Какая трансформация JAX вычисляет градиенты дифференцируемой функции?
Предварительный просмотр каждого вопроса8 вопросы
Ответы и пояснения появляются по мере прохождения теста.
- Какая трансформация JAX вычисляет градиенты дифференцируемой функции?
- jax.vmap
- jax.jit
- jax.grad
- jax.device_put
- Что предоставляет jax.vmap?
- Just-in-time compilation
- Automatic vectorization over a mapped axis
- Automatic differentiation
- Explicit random key splitting
- 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
- 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
- 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
- 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
- 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
- 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