Kontrol Noktası Parçalama ve Devam Edilebilir Eğitim Sınavı

Testi çözdüğünüzde cevaplar ve açıklamalar görünür.

1. Büyük model kontrol noktaları neden parçalara ayrılıyor?
   • Modelin küçük girdilerle daha hızlı eğitilmesini sağlamak için
   • Model ağırlıklarını kullanıcılardan gizlemek için
   • Çünkü parçalama doğruluğu artırır
   • Çünkü tek bir kontrol noktası, bir dosyanın veya makinenin verimli şekilde işleyemeyeceği kadar büyük olabilir
2. Which extra state is typically needed for training resumption beyond model weights?
   • Yalnızca son doğruluk puanı
   • Optimizer and scheduler state, step progress, RNG state, and relevant data-loader progress
   • Only a model-weight shard index
   • A screenshot of the training dashboard
3. Uzun işler için devam ettirilebilir eğitimin temel faydası nedir?
   • Doğrulama seti ihtiyacını ortadan kaldırır
   • Modelin asla fazla uymayacağını garanti eder
   • Bir çarpışma veya önleme, sıfırdan yeniden başlatmayı zorlamaz
   • Optimize ediciyi ortadan kaldırır
4. In a sharded distributed checkpoint, how can ranks avoid gathering the entire state on one worker?
   • By saving their assigned local tensor shards with checkpoint metadata
   • By each emailing a full model copy
   • By deleting optimizer state before every save
   • By disabling all state serialization
5. Bir dizin dosyasının parçalanmış kontrol noktalarında rolü nedir?
   • Kullanıcının şifresini saklar
   • Her parametre adını onu içeren parça dosyasıyla eşler
   • Veri kümesindeki görüntüleri sıkıştırır
   • Öğrenme oranını planlar
6. Model parçalarının güvenli, bellek eşlemeli yüklenmesi için yaygın olarak hangi format kullanılır?
   • MP3
   • CSV
   • emniyet tensörleri
   • Yalnızca ZIP arşivleri
7. A package contains safetensors weight shards and an index, but no optimizer state. What can it support by itself?
   • Loading model weights, without fully restoring optimizer training history
   • Guaranteed exact resumption of every interrupted run
   • Recovering the next batch position automatically
   • Reconstructing every random-number-generator state
8. A sharded checkpoint loader supports a new rank layout. What should the team verify before trusting recovery?
   • That fewer ranks guarantee identical floating-point results
   • That the weight index alone includes every application state
   • That no restart test is necessary
   • That the necessary saved state loads correctly and the resumed training step behaves as expected