引导式测验 · 中等 等级

Apache Airflow for ML 工作流程测验

将 Airflow 任务依赖项、重试和回填应用于 ML 工作流程，包括确定任务何时准备好运行的触发规则。

相关引导路径Apache Airflow 用于机器学习工作流
问题 1 的 8

在 Apache Airflow 中，用于定义工作流程的核心抽象是什么？

预览每个问题8 问题

当您参加测验时，就会出现答案和解释。

  1. 在 Apache Airflow 中，用于定义工作流程的核心抽象是什么？
    • YAML 清单
    • SQL 视图
    • 用 Python 编写的 DAG（有向无环图）
    • Jupyter 笔记本
  2. Airflow 在机器学习管道中最常扮演什么角色？
    • 它编排和调度在其他系统上运行的任务
    • 它直接在 GPU 上训练深度学习模型
    • 它将特征向量存储在内存中
    • 它通过 HTTP 提供模型预测
  3. 哪个 Airflow 构造用于等待外部条件，例如文件到达存储？
    • 一个变量
    • 连接池
    • 一个宏
    • 一个传感器
  4. Airflow“回填”可以让您做什么？
    • 永久删除旧的 DAG 运行
    • 在过去的一系列日期上运行 DAG 以重新处理历史数据
    • 加密元数据数据库
    • 暂时禁用调度程序
  5. 哪个 Airflow 组件决定了何时应调度符合条件的任务实例？
    • 调度程序
    • Web UI 中的图视图
    • 模型的特征编码器
    • 工件文件本身
  6. 新版 Airflow 中引入的“数据感知调度”是什么？
    • 加密任务之间传递的所有数据
    • 自动标记训练数据
    • 减少每个任务的 GPU 数量
    • 当数据集更新时触发 DAG，而不是在固定时钟上触发
  7. Airflow 清理任务必须在上游任务完成后运行，即使其中一个失败了。哪个设置控制此行为？
    • 模型层数
    • 清理任务的触发规则
    • 特征归一化方法
    • 为 DAG 选择的 UI 主题
  8. 一个团队在 Airflow 中回填了三个月的 ML 特征数据。是什么让重复执行中断的任务更安全？
    • 每次重试时追加重复输出
    • 忽略运行的历史日期
    • 具有正确历史输入且幂等的操作
    • 在每次重试时更改训练标签