引导式测验 · 中等 等级

Kubeflow 和 ML 管道编排测验

测试 Kubeflow 管道组件、KFP v2 编译和缓存决策，包括依赖关系图如何协调 Kubernetes 工作负载。

相关引导路径Kubeflow 与机器学习流水线编排
问题 1 的 8

Kubeflow 在什么底层平台上运行机器学习工作流程？

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. Kubeflow 在什么底层平台上运行机器学习工作流程？
    • 阿帕奇Hadoop
    • 裸机 Slurm 集群
    • 库伯内斯
    • 单个虚拟机
  2. 在 Kubeflow Pipelines 中，工作流程的每个步骤通常是如何打包的？
    • 作为在 pod 中运行的容器化组件
    • 作为数据库中的存储过程
    • 作为 CDN 上的无服务器功能
    • 作为单个整体脚本
  3. Kubeflow 管道使用什么结构来表达步骤的顺序和依赖关系？
    • 从上到下执行的平面列表
    • 循环事件循环
    • 关系模式
    • 有向无环图 (DAG)
  4. 哪个 Kubeflow 组件专用于自动超参数调整？
    • 服务
    • 卡提布
    • 最小IO
    • 阿尔戈
  5. 在启用 KFP 缓存的情况下，为什么重新运行可能会重用先前的组件结果？
    • A matching eligible execution already has cached outputs
    • KFP never executes a component more than once
    • KFP ignores every input change
    • KFP randomly chooses which pods to skip
  6. 哪个 Kubeflow 组件主要用于提供经过训练的推理模型？
    • 卡提布
    • 笔记本服务器
    • 阿尔戈CD
    • 服务
  7. A team adopts KFP v2. What does the normal compiler output represent?
    • A trained model checkpoint
    • A PipelineSpec serialized as Intermediate Representation YAML
    • A universal Argo Workflows specification for every KFP version
    • A SQL query plan for the artifact database
  8. A Kubeflow step reads a file overwritten at an unchanged URI. Why might its cache need to be disabled or the input version changed?
    • Kubernetes forbids external files
    • Every pipeline input is automatically content-hashed
    • The tracked input can stay the same while the file’s contents change
    • Caching always reruns components on every request