Rehber bağlantılı sınav · Orta Seviye

Model Serileştirme Formatları Testi

Serileştirme taşınabilirliğini, turşu güvenliğini, yalnızca tensör ağırlık dosyalarını ve dışarı aktarılan modellerin çalışma zamanları arasında doğrulanmasını test eder.

İlgili kılavuz yollarıModel Serileştirme Formatları
Soru 1 arasında 8

Python'un turşu formatı neden modeller için bir güvenlik riski olarak değerlendiriliyor?

Her soruyu önizleyin8 sorular

Testi çözdüğünüzde cevaplar ve açıklamalar görünür.

  1. Python'un turşu formatı neden modeller için bir güvenlik riski olarak değerlendiriliyor?
    • Bunu yüklemek, dosyaya gömülü isteğe bağlı kodu çalıştırabilir
    • Dosyaları çok fazla sıkıştırıyor
    • Yalnızca hafta sonları çalışır
    • Orijinal modeli siler
  2. ONNX formatının temel avantajı nedir?
    • Mümkün olan en küçük formattır
    • Tek bir çerçevede eğitilen bir modelin diğer birçok çalışma zamanında ve dilde çalıştırılmasına olanak tanır
    • Yalnızca PyTorch'ta açılabilir
    • Doğruluğu otomatik olarak artırır
  3. Model ağırlıklarının paylaşılmasında güvenlik tensörleri neden popüler hale geldi?
    • Kolaylık sağlamak için yükte kod çalıştırır
    • Mevcut en eski formattır
    • Hızlı bellek eşlemeli yüklemeyle ve kod yürütme gerektirmeden yalnızca tensör verilerini güvenli bir şekilde saklar
    • Yalnızca model doğruluğunu saklar
  4. GGUF en çok hangi kullanım durumuyla ilişkilidir?
    • E-tabloların saklanması
    • E-postaları şifreleme
    • Modelleri bulutta sıfırdan eğitme
    • Nicelenmiş büyük dil modellerini yerel donanım üzerinde verimli bir şekilde çalıştırma
  5. ONNX gibi bir değişim formatı öncelikle neyi saklar?
    • Standartlaştırılmış bir hesaplama grafiği ve modelin ağırlıkları
    • Eğitim sürecini gösteren bir video
    • Yalnızca eğitim veri kümesi
    • Geliştiricinin kaynak kodu yorumları
  6. When exporting a Keras 3 model for TensorFlow serving, which directory format can model.export produce?
    • GGUF
    • KaydedilenModel
    • CSV
    • 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