แบบทดสอบที่เชื่อมโยงกับคำแนะนำ · ปานกลาง ระดับ

แบบทดสอบรูปแบบการทำให้เป็นอนุกรมของโมเดล

ทดสอบความสามารถในการพกพาของซีเรียลไลซ์ ความปลอดภัยของผักดอง ไฟล์ตุ้มน้ำหนักเฉพาะเทนเซอร์ และการตรวจสอบโมเดลที่ส่งออกข้ามรันไทม์

เส้นทางแนะนำที่เกี่ยวข้องรูปแบบการทำให้เป็นอนุกรมของโมเดล
คำถาม 1 ของ 8

เหตุใดรูปแบบดองของ Python จึงถือเป็นความเสี่ยงด้านความปลอดภัยสำหรับโมเดล

ดูตัวอย่างทุกคำถาม8 คำถาม

คำตอบและคำอธิบายจะปรากฏขึ้นเมื่อคุณทำแบบทดสอบ

  1. เหตุใดรูปแบบดองของ Python จึงถือเป็นความเสี่ยงด้านความปลอดภัยสำหรับโมเดล
    • การโหลดสามารถรันโค้ดที่ฝังอยู่ในไฟล์ได้โดยอำเภอใจ
    • มันบีบอัดไฟล์มากเกินไป
    • ใช้งานได้เฉพาะวันหยุดสุดสัปดาห์เท่านั้น
    • มันจะลบโมเดลดั้งเดิม
  2. ข้อได้เปรียบหลักของรูปแบบ ONNX คืออะไร
    • เป็นรูปแบบที่เล็กที่สุดที่เป็นไปได้
    • ช่วยให้โมเดลที่ได้รับการฝึกในเฟรมเวิร์กเดียวสามารถรันไทม์และภาษาอื่นๆ ได้มากมาย
    • สามารถเปิดได้ใน PyTorch เท่านั้น
    • มันปรับปรุงความแม่นยำโดยอัตโนมัติ
  3. เหตุใดอุปกรณ์ป้องกันจึงได้รับความนิยมในการแบ่งปันตุ้มน้ำหนักแบบจำลอง
    • มันรันโค้ดเมื่อโหลดเพื่อความสะดวก
    • เป็นรูปแบบที่เก่าแก่ที่สุดที่มีอยู่
    • โดยจะจัดเก็บเฉพาะข้อมูลเทนเซอร์อย่างปลอดภัย พร้อมการโหลดที่แมปหน่วยความจำได้รวดเร็วและไม่มีการเรียกใช้โค้ด
    • จะเก็บเฉพาะความแม่นยำของโมเดลเท่านั้น
  4. GGUF เกี่ยวข้องกับกรณีการใช้งานใดมากที่สุด
    • การจัดเก็บสเปรดชีต
    • การเข้ารหัสอีเมล
    • โมเดลการฝึกอบรมตั้งแต่เริ่มต้นในระบบคลาวด์
    • การรันโมเดลภาษาขนาดใหญ่เชิงปริมาณอย่างมีประสิทธิภาพบนฮาร์ดแวร์ภายในเครื่อง
  5. รูปแบบการแลกเปลี่ยนเช่น ONNX จัดเก็บอะไรเป็นหลัก?
    • กราฟการคำนวณที่เป็นมาตรฐานและน้ำหนักของแบบจำลอง
    • วิดีโอแสดงกระบวนการฝึกอบรม
    • เฉพาะชุดข้อมูลการฝึกอบรมเท่านั้น
    • ความคิดเห็นซอร์สโค้ดของผู้พัฒนา
  6. When exporting a Keras 3 model for TensorFlow serving, which directory format can model.export produce?
    • จีจีเอฟ
    • โมเดลที่บันทึกไว้
    • ซีเอสวี
    • A pickle file containing the entire Python application
  7. After exporting a model to ONNX for a new runtime, what should the team check?
    • That the ONNX file guarantees identical speed on every device
    • That the export automatically includes the original training data
    • That supported operators run and outputs match the reference model on representative inputs
    • That no preprocessing code is needed
  8. Why can a state-dictionary checkpoint be preferable to loading a whole Python object from an untrusted file?
    • It guarantees the model architecture is embedded
    • It makes every checkpoint safe regardless of loader and version
    • It automatically converts the model to ONNX
    • It can load tensor state without reconstructing arbitrary pickled Python objects, subject to the loader’s security settings