แบบทดสอบที่เชื่อมโยงกับคำแนะนำ · ปานกลาง ระดับ

แบบทดสอบการติดตามการทดสอบ

ครอบคลุมข้อมูลเมตาการเรียกใช้ ตัวชี้วัด อาร์ติแฟกต์ เอกลักษณ์ของชุดข้อมูล การบันทึกสภาพแวดล้อม และบันทึกการทดลองใดบ้างที่สามารถรองรับได้

เส้นทางแนะนำที่เกี่ยวข้องการติดตามการทดสอบ
คำถาม 1 ของ 8

วัตถุประสงค์หลักของการติดตามการทดสอบในแมชชีนเลิร์นนิงคืออะไร

ดูตัวอย่างทุกคำถาม8 คำถาม

คำตอบและคำอธิบายจะปรากฏขึ้นเมื่อคุณทำแบบทดสอบ

  1. วัตถุประสงค์หลักของการติดตามการทดสอบในแมชชีนเลิร์นนิงคืออะไร
    • เพื่อให้การรันสามารถทำซ้ำและเปรียบเทียบได้โดยการบันทึกบริบททั้งหมด
    • เพื่อให้โมเดลฝึกเร็วขึ้นบน GPU
    • เพื่อปรับใช้โมเดลกับการผลิตโดยอัตโนมัติ
    • เพื่อบีบอัดตุ้มน้ำหนักแบบจำลองเพื่อจัดเก็บ
  2. การผสมผสานใดที่จำเป็นในการทำให้การฝึกซ้อมวิ่งครั้งเดียวสามารถทำซ้ำได้อย่างแท้จริง
    • เฉพาะเลขแม่นสุดท้ายเท่านั้น
    • เวอร์ชันโค้ด ชุดข้อมูล และไฮเปอร์พารามิเตอร์
    • อุณหภูมิ GPU และความเร็วพัดลม
    • ชื่อนักวิทยาศาสตร์ข้อมูล
  3. ข้อใดต่อไปนี้คือเครื่องมือติดตามการทดสอบยอดนิยม
    • โฟโต้ชอป
    • คูเบอร์เนเตส
    • MLflow
    • PostgreSQL
  4. โดยทั่วไปแล้ว เครื่องมือติดตามการทดสอบส่วนใหญ่จะบันทึกเมตริกระหว่างการฝึกอย่างไร
    • โดยการคัดลอกตัวเลขลงในสเปรดชีตด้วยตนเองในภายหลัง
    • โดยการถ่ายภาพหน้าจอของเทอร์มินัล
    • โดยการอ่านซอร์สโค้ดของโมเดล
    • ผ่านการเรียก API การบันทึกที่แทรกลงในลูปการฝึกอบรมที่สตรีมไปยังแบ็กเอนด์
  5. อาร์ติแฟกต์ขนาดใหญ่ เช่น น้ำหนักโมเดลที่บันทึกไว้ โดยปกติแล้วจะถูกจัดเก็บโดยระบบติดตามไว้ที่ใด
    • ในที่เก็บข้อมูลอ็อบเจ็กต์/สิ่งประดิษฐ์ โดยมีการอ้างอิงเก็บไว้ในที่เก็บข้อมูลเมตา
    • ภายในแถวฐานข้อมูลเมตริก
    • ในหน่วยความจำ GPU อย่างถาวร
    • พวกเขาไม่ได้เก็บไว้เลย
  6. การติดตามการทดลองมีการพัฒนาอย่างไรในยุคของแบบจำลองภาษาขนาดใหญ่
    • มันกำลังถูกยกเลิกเพราะ LLM ไม่ต้องการการติดตาม
    • ขณะนี้ยังรวบรวมเวอร์ชันพร้อมท์ การติดตามการประเมิน และผลลัพธ์เชิงคุณภาพอีกด้วย
    • ตอนนี้ติดตามเฉพาะต้นทุน GPU เท่านั้น
    • ได้รวมเข้ากับซอฟต์แวร์ตัดต่อวิดีโอทั้งหมดแล้ว
  7. Why record a dataset version or content hash with an ML run?
    • To prove the model is unbiased
    • To guarantee identical GPU arithmetic
    • So the run can be linked to the exact data snapshot used
    • To replace the code version
  8. In MLflow Tracking, where are large model files typically stored relative to parameters and metrics?
    • Only inside the metric names
    • Always embedded in the database row for each parameter
    • They are not recorded by a tracking system
    • In an artifact store, while run metadata is kept in a backend store