Тест на совместимость ONNX и моделей

Ответы и пояснения появляются по мере прохождения теста.

1. Какую основную проблему в первую очередь решает ONNX?
   • Перемещение моделей между различными платформами и средами выполнения через общий формат.
   • Автоматическая маркировка данных обучения
   • Создание новых архитектур нейронных сетей
   • Шифрование весов модели для обеспечения безопасности
2. Как файл ONNX представляет модель?
   • В виде необработанных данных обучения
   • Как граф вычислений стандартизированных операторов
   • Как одно число с плавающей запятой
   • В качестве исходного кода на Python
3. What does the acronym ONNX stand for?
   • Optimized Network Node Execution
   • Open Neural Network Extension
   • Открытый обмен нейронными сетями
   • Operator Network Normalization Exchange
4. Что такое «поставщик выполнения» в среде выполнения ONNX?
   • Облачный платежный аккаунт
   • Человек, который обучил модель
   • Тип функции потерь
   • Бэкэнд, который запускает поддерживаемые операторы на определенном оборудовании, таком как CPU, CUDA или TensorRT.
5. Что определяет версия opset (набор операторов) в модели ONNX?
   • Какую версию стандартизированных операторов использует граф?
   • Точность модели на тестовом наборе
   • Необходимое количество графических процессоров
   • Скорость обучения
6. Which graph-level operations can ONNX Runtime apply?
   • Automatic retraining and label correction
   • Constant folding and node fusion, among other optimizations
   • Changing a model’s architecture to a new framework
   • Generating new training examples from inference requests
7. What can happen when an ONNX Runtime execution provider supports only part of a model graph?
   • The provider must execute every node or fail by definition
   • Модель автоматически переобучается
   • The runtime can assign supported nodes or subgraphs to that provider and others to a different provider
   • All unsupported operators are deleted
8. Why should an ONNX deployment check the model’s opset against the target runtime?
   • The opset specifies the model’s training dataset size
   • An opset number guarantees identical performance
   • The opset controls the number of GPU devices
   • The graph uses versioned operator definitions that the runtime must support