引导式测验 · 中等 等级

Ray 用于分布式 AI 测验

检查您对 Ray 任务、参与者、对象引用、分布式库以及对象数据如何在集群内移动的理解。

相关引导路径Ray 用于分布式人工智能
问题 1 的 8

Ray主要解决什么问题？

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. Ray主要解决什么问题？
    • 只需最少的代码更改，即可将 Python 和 AI 工作负载从单台机器扩展到大型集群
    • 自动标记图像
    • 压缩模型文件
    • 设计神经网络架构
  2. 在 Ray 中，“任务”和“演员”有什么区别？
    • 任务针对图像，演员针对文本
    • 任务是无状态的并行函数调用；演员是持有状态的有状态工作者
    • 它们是相同的
    • 任务仅在 CPU 上运行，参与者仅在打印机上运行
  3. 当您启动远程任务时，Ray 立即返回什么？
    • 最终的结果，总是
    • 错误消息
    • 稍后使用 ray.get() 解析的 future（对象引用）
    • 整个集群的副本
  4. 哪个 Ray 库是为分布式超参数搜索而设计的？
    • 雷·服务
    • 射线数据
    • RLlib
    • 射线调谐
  5. Ray 的文档明确指出哪种对象类型可以从同一节点的对象存储内存中无拷贝读取？
    • A NumPy array stored in Ray’s object store
    • Any Python object whenever an ObjectRef is passed
    • An object requested from another node with no network transfer
    • Only actor handles stored in a separate database
  6. 您将使用哪个 Ray 库在可扩展、自动缩放端点后面部署模型？
    • 射线调谐
    • 雷·服务
    • 雷火车
    • 射线数据
  7. How does Ray Serve decide when to add replicas in its built-in request-driven autoscaling?
    • It reads the model’s training loss
    • It changes the number of model parameters
    • It monitors ongoing requests or queue demand against configured targets
    • It scales only when a human edits the deployment
  8. How does Ray move an object when a task on a different node needs it?
    • It shares the owner’s local memory directly across every node
    • It automatically copies all objects into each node’s GPU memory
    • It sends only an ObjectRef and never transfers the object data
    • It transfers the object over the cluster network; serialization, locality, and object size affect cost