Вікторина, пов’язана з посібником · Середній Рівень

Тест із відстеження експерименту

Охоплює метадані запуску, показники, артефакти, ідентичність набору даних, захоплення середовища та те, що можуть підтримувати записи експериментів.

Пов'язані напрямні шляхиВідстеження експерименту
Питання 1 з 8

Яка основна мета відстеження експериментів у машинному навчанні?

Перегляньте кожне запитання8 запитання

Відповіді та пояснення з’являються під час виконання тесту.

  1. Яка основна мета відстеження експериментів у машинному навчанні?
    • Зробити серії відтворюваними та порівнянними шляхом запису повного контексту
    • Щоб моделі швидше тренувалися на GPU
    • Для автоматичного розгортання моделей у виробництві
    • Щоб стиснути модельні гирі для зберігання
  2. Яка комбінація має важливе значення для справді відтворюваності одного тренування?
    • Тільки остаточне число точності
    • Версія коду, набір даних і гіперпараметри
    • Температура GPU і швидкість вентилятора
    • Ім'я дослідника даних
  3. Який із них є популярним інструментом відстеження експериментів?
    • Фотошоп
    • Kubernetes
    • MLflow
    • PostgreSQL
  4. Як більшість трекерів експериментів зазвичай збирають показники під час навчання?
    • Згодом вручну скопіювати числа в електронну таблицю
    • Роблячи скріншоти терміналу
    • Читаючи вихідний код моделі
    • Виклики API через реєстрацію вставляються в навчальний цикл і надсилаються до серверної частини
  5. Де система відстеження зазвичай зберігає великі артефакти, як-от збережені ваги моделей?
    • У сховищі об’єктів/артефактів із посиланнями, що зберігаються в сховищі метаданих
    • Усередині рядка бази даних показників
    • У пам'яті GPU постійно
    • Вони взагалі не зберігаються
  6. Як розвивається відстеження експерименту в епоху великих мовних моделей?
    • Від нього відмовляються, оскільки LLM не потребують відстеження
    • Тепер він також фіксує швидкі версії, трасування оцінки та якісні результати
    • Тепер він відстежує лише витрати на GPU
    • Він повністю об’єднався з програмним забезпеченням для редагування відео
  7. Why record a dataset version or content hash with an ML run?
    • To prove the model is unbiased
    • To guarantee identical GPU arithmetic
    • So the run can be linked to the exact data snapshot used
    • To replace the code version
  8. In MLflow Tracking, where are large model files typically stored relative to parameters and metrics?
    • Only inside the metric names
    • Always embedded in the database row for each parameter
    • They are not recorded by a tracking system
    • In an artifact store, while run metadata is kept in a backend store