Bài kiểm tra có liên kết hướng dẫn · Trung bình Cấp độ

Bài kiểm tra theo dõi vòng đời mô hình và MLflow

Thực hành theo dõi thử nghiệm MLflow, đóng gói mô hình và tham chiếu phiên bản đăng ký, bao gồm vai trò của bí danh trong quy trình triển khai mô hình.

Đường dẫn hướng dẫn liên quanTheo dõi vòng đời của Mlflow và Model
Câu hỏi 1 của 8

Theo dõi MLflow giải quyết vấn đề chính nào cho các nhà khoa học dữ liệu?

Xem trước mọi câu hỏi8 câu hỏi

Câu trả lời và giải thích xuất hiện khi bạn làm bài kiểm tra.

  1. Theo dõi MLflow giải quyết vấn đề chính nào cho các nhà khoa học dữ liệu?
    • Tự động gắn nhãn dữ liệu đào tạo thô
    • Mã hóa trọng lượng mô hình ở trạng thái nghỉ
    • Giữ một bản ghi có thể so sánh được về các thông số, số liệu và thành phần lạ trong nhiều lần chạy thử nghiệm
    • Thay thế nhu cầu về cụm Kubernetes
  2. Which MLflow component stores registered model versions and their tags or aliases?
    • Cơ quan đăng ký mẫu
    • The learning-rate scheduler
    • The training-data labeler
    • The Kubernetes pod scheduler
  3. Việc MLflow là 'bất khả tri về khung' có nghĩa là gì?
    • Nó chỉ hoạt động với TensorFlow
    • Nó yêu cầu viết lại các mô hình bằng ngôn ngữ tùy chỉnh
    • Nó chỉ chạy trên Databricks
    • Nó hoạt động trên nhiều thư viện ML như scikit-learn, PyTorch và XGBoost
  4. Mục đích của định dạng Mô hình MLflow là gì?
    • Để nén dữ liệu đào tạo
    • Để bao bọc một mô hình đã được đào tạo với đặc tính khung và siêu dữ liệu của nó để nó có thể được triển khai theo nhiều cách
    • Lên kế hoạch đào tạo lại công việc
    • Để trực quan hóa các lớp mạng thần kinh
  5. Công ty nào đã tạo ra MLflow?
    • Databricks
    • Google
    • Netflix
    • Amazon
  6. MLflow đang mở rộng như thế nào để hỗ trợ các ứng dụng AI tổng hợp?
    • Bằng cách bỏ hỗ trợ cho các mô hình ML cổ điển
    • Bằng cách trở thành một sản phẩm nguồn đóng
    • Bằng cách thay thế tất cả các khung đào tạo
    • Bằng cách thêm tính năng theo dõi, quản lý kịp thời và đánh giá cho các ứng dụng LLM
  7. A deployment resolves an MLflow model through a champion alias. What can reassignment of that alias change?
    • The recorded metrics inside every old experiment
    • The registered model version that the named reference resolves to
    • The model framework of all stored artifacts
    • The training labels in a historical dataset
  8. Two MLflow runs use different learning rates. What record helps compare their validation results?
    • Only the wall color of the training room
    • A registry alias without any run information
    • Each run’s logged parameters and validation metrics
    • A notebook filename without the experiment outputs