گائیڈ سے منسلک کوئز · درمیانہ سطح
تقسیم شدہ AI کوئز کے لیے رے
رے کے کاموں، اداکاروں، آبجیکٹ کے حوالہ جات، تقسیم شدہ لائبریریوں، اور کس طرح آبجیکٹ ڈیٹا کلسٹر کے اندر منتقل ہوتا ہے کے بارے میں اپنی سمجھ کو چیک کریں۔
سوال 1 کی 8
رے بنیادی طور پر کون سا مسئلہ حل کرتا ہے؟
ہر سوال کا جائزہ لیں۔8 سوالات
جب آپ کوئز دیتے ہیں تو جوابات اور وضاحتیں ظاہر ہوتی ہیں۔
- رے بنیادی طور پر کون سا مسئلہ حل کرتا ہے؟
- کم سے کم کوڈ کی تبدیلی کے ساتھ ایک مشین سے ایک بڑے کلسٹر میں ازگر اور اے آئی کے کام کے بوجھ کو اسکیل کرنا
- تصاویر کو خود بخود لیبل لگانا
- ماڈل فائلوں کو کمپریس کرنا
- عصبی نیٹ ورک کے فن تعمیر کو ڈیزائن کرنا
- رے میں، 'ٹاسک' اور 'اداکار' میں کیا فرق ہے؟
- کام تصاویر کے لیے ہیں اور اداکار متن کے لیے ہیں۔
- ٹاسک ایک اسٹیٹ لیس متوازی فنکشن کال ہے۔ ایک اداکار ایک ریاستی کارکن ہے جو ریاست رکھتا ہے۔
- وہ ایک جیسے ہیں۔
- کام صرف CPUs اور اداکاروں پر صرف پرنٹرز پر چلتے ہیں۔
- جب آپ کوئی ریموٹ ٹاسک شروع کرتے ہیں تو رے فوری طور پر کیا واپس کرتا ہے؟
- حتمی نتیجہ، ہمیشہ
- ایک غلطی کا پیغام
- ایک مستقبل (آبجیکٹ کا حوالہ) جسے آپ بعد میں ray.get() کے ساتھ حل کرتے ہیں۔
- پورے کلسٹر کی ایک کاپی
- کون سی رے لائبریری تقسیم شدہ ہائپر پیرامیٹر تلاش کے لیے ڈیزائن کی گئی ہے؟
- رے سرو
- رے ڈیٹا
- RLlib
- رے دھن
- 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
- ماڈلز کو توسیع پذیر، آٹو اسکیلنگ اینڈ پوائنٹ کے پیچھے تعینات کرنے کے لیے آپ کون سی رے لائبریری استعمال کریں گے؟
- رے دھن
- رے سرو
- رے ٹرین
- رے ڈیٹا
- 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