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

Bài kiểm tra định dạng tuần tự hóa mô hình

Kiểm tra tính di động của chuỗi tuần tự, độ an toàn của dưa chua, tệp trọng lượng chỉ có tensor và xác minh các mô hình đã xuất trong các thời gian chạy.

Đường dẫn hướng dẫn liên quanĐịnh dạng tuần tự hóa mô hình
Câu hỏi 1 của 8

Tại sao định dạng dưa chua của Python được coi là rủi ro bảo mật cho mô hình?

Xem trước mọi câu hỏi8 câu hỏi

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

  1. Tại sao định dạng dưa chua của Python được coi là rủi ro bảo mật cho mô hình?
    • Đang tải nó có thể thực thi mã tùy ý được nhúng trong tệp
    • Nó nén tập tin quá nhiều
    • Nó chỉ hoạt động vào cuối tuần
    • Nó xóa mô hình ban đầu
  2. Ưu điểm chính của định dạng ONNX là gì?
    • Đây là định dạng nhỏ nhất có thể
    • Nó cho phép một mô hình được đào tạo trong một khung chạy trong nhiều thời gian chạy và ngôn ngữ khác
    • Nó chỉ có thể được mở trong PyTorch
    • Nó tự động cải thiện độ chính xác
  3. Tại sao các bộ đo an toàn lại trở nên phổ biến để chia sẻ trọng lượng mô hình?
    • Nó chạy mã khi tải để thuận tiện
    • Đây là định dạng lâu đời nhất hiện có
    • Nó chỉ lưu trữ dữ liệu tensor một cách an toàn, với khả năng tải bản đồ bộ nhớ nhanh và không thực thi mã
    • Nó chỉ lưu trữ độ chính xác của mô hình
  4. GGUF được liên kết nhiều nhất với trường hợp sử dụng nào?
    • Lưu trữ bảng tính
    • Mã hóa email
    • Đào tạo mô hình từ đầu trên đám mây
    • Chạy các mô hình ngôn ngữ lớn được lượng tử hóa một cách hiệu quả trên phần cứng cục bộ
  5. Định dạng trao đổi như ONNX chủ yếu lưu trữ những gì?
    • Biểu đồ tính toán được tiêu chuẩn hóa và trọng số của mô hình
    • Video về quá trình đào tạo
    • Chỉ có tập dữ liệu huấn luyện
    • Nhận xét về mã nguồn của nhà phát triển
  6. When exporting a Keras 3 model for TensorFlow serving, which directory format can model.export produce?
    • GGUF
    • Đã lưuMô hình
    • 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