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。
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。
- 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
- 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
- 下列哪一個是流行的實驗追蹤工具?
- Photoshop
- 庫伯內斯
- ML流
- PostgreSQL
- 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
- 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
- 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
- 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
- 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