แบบทดสอบที่เชื่อมโยงกับคำแนะนำ · ปานกลาง ระดับ
แบบทดสอบรูปแบบการทำให้เป็นอนุกรมของโมเดล
ทดสอบความสามารถในการพกพาของซีเรียลไลซ์ ความปลอดภัยของผักดอง ไฟล์ตุ้มน้ำหนักเฉพาะเทนเซอร์ และการตรวจสอบโมเดลที่ส่งออกข้ามรันไทม์
คำถาม 1 ของ 8
เหตุใดรูปแบบดองของ Python จึงถือเป็นความเสี่ยงด้านความปลอดภัยสำหรับโมเดล
ดูตัวอย่างทุกคำถาม8 คำถาม
คำตอบและคำอธิบายจะปรากฏขึ้นเมื่อคุณทำแบบทดสอบ
- เหตุใดรูปแบบดองของ Python จึงถือเป็นความเสี่ยงด้านความปลอดภัยสำหรับโมเดล
- การโหลดสามารถรันโค้ดที่ฝังอยู่ในไฟล์ได้โดยอำเภอใจ
- มันบีบอัดไฟล์มากเกินไป
- ใช้งานได้เฉพาะวันหยุดสุดสัปดาห์เท่านั้น
- มันจะลบโมเดลดั้งเดิม
- ข้อได้เปรียบหลักของรูปแบบ ONNX คืออะไร
- เป็นรูปแบบที่เล็กที่สุดที่เป็นไปได้
- ช่วยให้โมเดลที่ได้รับการฝึกในเฟรมเวิร์กเดียวสามารถรันไทม์และภาษาอื่นๆ ได้มากมาย
- สามารถเปิดได้ใน PyTorch เท่านั้น
- มันปรับปรุงความแม่นยำโดยอัตโนมัติ
- เหตุใดอุปกรณ์ป้องกันจึงได้รับความนิยมในการแบ่งปันตุ้มน้ำหนักแบบจำลอง
- มันรันโค้ดเมื่อโหลดเพื่อความสะดวก
- เป็นรูปแบบที่เก่าแก่ที่สุดที่มีอยู่
- โดยจะจัดเก็บเฉพาะข้อมูลเทนเซอร์อย่างปลอดภัย พร้อมการโหลดที่แมปหน่วยความจำได้รวดเร็วและไม่มีการเรียกใช้โค้ด
- จะเก็บเฉพาะความแม่นยำของโมเดลเท่านั้น
- GGUF เกี่ยวข้องกับกรณีการใช้งานใดมากที่สุด
- การจัดเก็บสเปรดชีต
- การเข้ารหัสอีเมล
- โมเดลการฝึกอบรมตั้งแต่เริ่มต้นในระบบคลาวด์
- การรันโมเดลภาษาขนาดใหญ่เชิงปริมาณอย่างมีประสิทธิภาพบนฮาร์ดแวร์ภายในเครื่อง
- รูปแบบการแลกเปลี่ยนเช่น ONNX จัดเก็บอะไรเป็นหลัก?
- กราฟการคำนวณที่เป็นมาตรฐานและน้ำหนักของแบบจำลอง
- วิดีโอแสดงกระบวนการฝึกอบรม
- เฉพาะชุดข้อมูลการฝึกอบรมเท่านั้น
- ความคิดเห็นซอร์สโค้ดของผู้พัฒนา
- 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
- 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
- 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