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

Bài kiểm tra về khả năng tương tác của ONNX và mô hình

Kiểm tra các ý tưởng chính đằng sau biểu đồ ONNX, toán tử, nhà cung cấp thực thi, trao đổi mô hình và tối ưu hóa biểu đồ trong các thời gian chạy.

Đường dẫn hướng dẫn liên quanKhả năng tương tác của Onnx và mô hình
Câu hỏi 1 của 8

Vấn đề cốt lõi nào ONNX chủ yếu giải quyết?

Xem trước mọi câu hỏi8 câu hỏi

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

  1. Vấn đề cốt lõi nào ONNX chủ yếu giải quyết?
    • Di chuyển các mô hình giữa các khung và thời gian chạy khác nhau thông qua một định dạng chung
    • Tự động dán nhãn dữ liệu đào tạo
    • Tạo kiến trúc mạng thần kinh mới
    • Mã hóa trọng số mô hình để bảo mật
  2. Tệp ONNX thể hiện mô hình như thế nào?
    • Là dữ liệu đào tạo thô
    • Là đồ thị tính toán của các toán tử chuẩn hóa
    • Là một số dấu phẩy động duy nhất
    • Là mã nguồn bằng Python
  3. What does the acronym ONNX stand for?
    • Optimized Network Node Execution
    • Open Neural Network Extension
    • Open Neural Network Exchange
    • Operator Network Normalization Exchange
  4. Trong ONNX Runtime, 'nhà cung cấp thực thi' là gì?
    • Tài khoản thanh toán trên đám mây
    • Người đào tạo người mẫu
    • Một loại hàm mất mát
    • Phần phụ trợ chạy các toán tử được hỗ trợ trên phần cứng cụ thể như CPU, CUDA hoặc TensorRT
  5. Phiên bản 'opset' (bộ toán tử) trong mô hình ONNX xác định điều gì?
    • Phiên bản nào của các toán tử tiêu chuẩn mà biểu đồ sử dụng
    • Độ chính xác của mô hình trên tập kiểm tra
    • Số lượng GPU cần thiết
    • Tỷ lệ học tập đào tạo
  6. Which graph-level operations can ONNX Runtime apply?
    • Automatic retraining and label correction
    • Constant folding and node fusion, among other optimizations
    • Changing a model’s architecture to a new framework
    • Generating new training examples from inference requests
  7. What can happen when an ONNX Runtime execution provider supports only part of a model graph?
    • The provider must execute every node or fail by definition
    • Mô hình được đào tạo lại tự động
    • The runtime can assign supported nodes or subgraphs to that provider and others to a different provider
    • All unsupported operators are deleted
  8. Why should an ONNX deployment check the model’s opset against the target runtime?
    • The opset specifies the model’s training dataset size
    • An opset number guarantees identical performance
    • The opset controls the number of GPU devices
    • The graph uses versioned operator definitions that the runtime must support