แบบทดสอบที่เชื่อมโยงกับคำแนะนำ · ปานกลาง ระดับ
Ray สำหรับแบบทดสอบ AI แบบกระจาย
ตรวจสอบความเข้าใจของคุณเกี่ยวกับงานของ Ray ผู้แสดง การอ้างอิงออบเจ็กต์ ไลบรารีแบบกระจาย และวิธีที่ข้อมูลออบเจ็กต์เคลื่อนย้ายภายในคลัสเตอร์
คำถาม 1 ของ 8
เรย์แก้ปัญหาอะไรเป็นหลัก?
ดูตัวอย่างทุกคำถาม8 คำถาม
คำตอบและคำอธิบายจะปรากฏขึ้นเมื่อคุณทำแบบทดสอบ
- เรย์แก้ปัญหาอะไรเป็นหลัก?
- ปรับขนาดปริมาณงาน Python และ AI จากเครื่องเดียวไปจนถึงคลัสเตอร์ขนาดใหญ่โดยมีการเปลี่ยนแปลงโค้ดเพียงเล็กน้อย
- การติดป้ายกำกับรูปภาพโดยอัตโนมัติ
- การบีบอัดไฟล์โมเดล
- การออกแบบสถาปัตยกรรมโครงข่ายประสาทเทียม
- ในเรย์ อะไรคือความแตกต่างระหว่าง 'งาน' และ 'นักแสดง'?
- งานมีไว้สำหรับรูปภาพและนักแสดงมีไว้สำหรับข้อความ
- งานคือการเรียกใช้ฟังก์ชันแบบขนานไร้สัญชาติ นักแสดงคือคนทำงานของรัฐที่ดำรงตำแหน่ง
- พวกเขาเหมือนกัน
- งานทำงานเฉพาะบน CPU และนักแสดงบนเครื่องพิมพ์เท่านั้น
- เรย์จะกลับมาทันทีเมื่อคุณเริ่มงานระยะไกล?
- ผลลัพธ์สุดท้ายเสมอ
- ข้อความแสดงข้อผิดพลาด
- อนาคต (การอ้างอิงวัตถุ) ที่คุณแก้ไขในภายหลังด้วย ray.get()
- สำเนาของคลัสเตอร์ทั้งหมด
- ไลบรารี่ Ray ใดที่ออกแบบมาสำหรับการค้นหาไฮเปอร์พารามิเตอร์แบบกระจาย
- เรย์ เซิร์ฟ
- เรย์ดาต้า
- RLlib
- เรย์ ทูน
- Which object type do Ray’s docs explicitly say can be read from same-node object-store memory without a copy?
- A NumPy array stored in Ray’s object store
- Any Python object whenever an ObjectRef is passed
- An object requested from another node with no network transfer
- Only actor handles stored in a separate database
- คุณจะใช้ไลบรารี Ray ใดในการปรับใช้โมเดลเบื้องหลังจุดสิ้นสุดที่ปรับขนาดอัตโนมัติได้
- เรย์ ทูน
- เรย์ เซิร์ฟ
- เรย์ เทรน
- เรย์ดาต้า
- How does Ray Serve decide when to add replicas in its built-in request-driven autoscaling?
- It reads the model’s training loss
- It changes the number of model parameters
- It monitors ongoing requests or queue demand against configured targets
- It scales only when a human edits the deployment
- How does Ray move an object when a task on a different node needs it?
- It shares the owner’s local memory directly across every node
- It automatically copies all objects into each node’s GPU memory
- It sends only an ObjectRef and never transfers the object data
- It transfers the object over the cluster network; serialization, locality, and object size affect cost