引导式测验 · 中等 等级
MLflow 和模型生命周期跟踪测验
练习 MLflow 实验跟踪、模型打包和注册表版本引用，包括别名在模型部署工作流中的作用。
问题 1 的 8
MLflow Tracking 为数据科学家解决的主要问题是什么？
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。
- MLflow Tracking 为数据科学家解决的主要问题是什么？
- 自动标记原始训练数据
- 加密静态模型权重
- 在多次实验运行中保留参数、指标和工件的可比较记录
- 取代 Kubernetes 集群的需求
- 哪个 MLflow 组件存储已注册的模型版本及其标签或别名？
- 模型注册表
- 学习率调度器
- 训练数据标注器
- Kubernetes Pod 调度器
- MLflow“与框架无关”是什么意思？
- 它仅适用于 TensorFlow
- 它需要用自定义语言重写模型
- 它仅在 Databricks 上运行
- 它适用于许多 ML 库，例如 scikit-learn、PyTorch 和 XGBoost
- MLflow 模型格式的目的是什么？
- 压缩训练数据
- 将经过训练的模型与其框架风格和元数据包装在一起，以便可以通过多种方式进行部署
- 安排再培训作业
- 可视化神经网络层
- 哪家公司创建了 MLflow？
- 数据块
- Netflix
- Amazon
- MLflow 如何扩展以支持生成式 AI 应用程序？
- 放弃对经典 ML 模型的支持
- 成为闭源产品
- 通过替换所有训练框架
- 通过为 LLM 应用程序添加跟踪、提示管理和评估
- 部署通过“冠军”（champion）别名解析 MLflow 模型。重新分配该别名可以改变什么？
- 每个旧实验中记录的指标
- 命名引用所解析到的已注册模型版本
- 所有已存储构件的模型框架
- 历史数据集中的训练标签
- 两个 MLflow 运行使用了不同的学习率。什么记录有助于比较它们的验证结果？
- 仅训练室的墙壁颜色
- 没有任何运行信息的注册表别名
- 每次运行记录的参数和验证指标
- 没有实验输出的笔记本文件名