引导式测验 · 中等 等级

ONNX 和模型互操作性测验

跨运行时测试 ONNX 图形、运算符、执行提供程序、模型交换和图形优化背后的关键思想。

相关引导路径Onnx 和模型互操作性
问题 1 的 8

ONNX主要解决什么核心问题？

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. ONNX主要解决什么核心问题？
    • 通过通用格式在不同框架和运行时之间移动模型
    • 自动标记训练数据
    • 生成新的神经网络架构
    • 加密模型权重以确保安全
  2. ONNX 文件如何表示模型？
    • 作为原始训练数据
    • 作为标准化运算符的计算图
    • 作为单个浮点数
    • 作为Python源代码
  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. 在 ONNX 运行时中，什么是“执行提供程序”？
    • 云计费帐户
    • 训练模型的人
    • 损失函数的一种
    • 在特定硬件（如 CPU、CUDA 或 TensorRT）上运行支持的运算符的后端
  5. ONNX 模型中的“opset”（运算符集）版本定义了什么？
    • 该图使用哪个版本的标准化运算符
    • 模型在测试集上的准确性
    • 所需 GPU 数量
    • 训练学习率
  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
    • 模型自动重新训练
    • 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