引导式测验 · 中等 等级

权重和偏差测验

探索 W&B 运行跟踪、扫描、工件、表格和编织，同时关注再现性和版本化实验证据。

相关引导路径权重和偏差
问题 1 的 8

权重和偏差主要解决机器学习中的哪些核心问题？

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. 权重和偏差主要解决机器学习中的哪些核心问题？
    • 跟踪和重现实验及其指标
    • 压缩移动设备的神经网络权重
    • 自动生成综合训练数据
    • 加密模型权重以实现安全部署
  2. 哪两个 Python 调用是记录 W&B 的典型入口点？
    • wandb.train() 和 wandb.deploy()
    • wandb.init() 和 wandb.log()
    • model.fit() 和 model.save()
    • wandb.connect() 和 wandb.send()
  3. W&B 扫描的目的是什么？
    • 清理损坏的训练数据
    • 删除旧的实验日志以节省存储空间
    • 在多次运行中自动搜索超参数
    • 训练 GPU 的流视频
  4. W&B Artifacts 能让您做什么？
    • 渲染神经网络的 3D 可视化
    • 自动撰写研究论文
    • 将模型转换为不同的框架
    • 版本数据集和模型，以便可以重现结果
  5. 哪家公司于 2025 年 3 月收购了 Weights & Biases？
    • 芯织
    • NVIDIA
    • Microsoft
    • Hugging Face
  6. W&B Weave 的设计目的是什么？
    • 生成用于搜索的嵌入
    • 追踪和评估LLM申请
    • 管理 Kubernetes 集群
    • 为监督学习标记图像
  7. What can a W&B Table help a team compare?
    • Only GPU temperatures from a single machine
    • Only source-code branches with no logged data
    • Predictions or examples across models, epochs, or individual cases
    • Only user accounts and billing plans
  8. What does W&B record when a run uses a logged artifact as an input?
    • A guarantee the model will reproduce identical results on all hardware
    • An automatic change to the dataset contents
    • A license grant for every file
    • A versioned input relationship that helps trace run lineage