引導式測驗 · 中等 等級

實驗追蹤測驗

涵蓋運行元資料、指標、工件、資料集標識、環境擷取以及實驗記錄可以支援的內容。

相關引導路徑實驗追蹤
問題 1 的 8

機器學習中實驗追蹤的主要目的是什麼?

預覽每個問題8 問題

當您參加測驗時,就會出現答案和解釋。

  1. 機器學習中實驗追蹤的主要目的是什麼?
    • 透過記錄完整的上下文來使運行具有可重複性和可比性
    • 讓模型在 GPU 上訓練得更快
    • 自動將模型部署到生產中
    • 壓縮模型權重以進行存儲
  2. 哪種組合對於使單次訓練真正可重複至關重要?
    • 只有最終的準確率數字
    • 程式碼版本、資料集和超參數
    • GPU溫度和風扇速度
    • 資料科學家的姓名
  3. 下列哪一個是流行的實驗追蹤工具?
    • Photoshop
    • 庫伯內斯
    • ML流
    • PostgreSQL
  4. 大多數實驗追蹤器通常如何在訓練期間捕捉指標?
    • 之後手動將數字複製到電子表格中
    • 透過終端截圖
    • 透過閱讀模型的原始碼
    • 透過記錄 API 呼叫插入到串流傳輸到後端的訓練循環中
  5. 追蹤系統通常將大型工件(例如保存的模型權重)儲存在哪裡?
    • 在物件/工件儲存中,引用保存在元資料儲存中
    • 在指標資料庫行內
    • 永久存在於 GPU 記憶體中
    • 它們根本不被存儲
  6. 在大型語言模型時代,實驗追蹤如何演變?
    • 它正在被放棄,因為法學碩士不需要跟踪
    • 現在它還捕獲提示版本、評估追蹤和定性輸出
    • 現在它只追蹤 GPU 成本
    • 它已完全合併到影片編輯軟體中
  7. Why record a dataset version or content hash with an ML run?
    • To prove the model is unbiased
    • To guarantee identical GPU arithmetic
    • So the run can be linked to the exact data snapshot used
    • To replace the code version
  8. In MLflow Tracking, where are large model files typically stored relative to parameters and metrics?
    • Only inside the metric names
    • Always embedded in the database row for each parameter
    • They are not recorded by a tracking system
    • In an artifact store, while run metadata is kept in a backend store