引導式測驗 · 中等 等級

Prefect 和 Dagster 的 ML 編排測驗

比較 ML 作業的 Prefect 流程和 Dagster 資產,包括重試、沿襲、排程、部署和操作適合度。

相關引導路徑ML 的 Perfect 和 Dagster
問題 1 的 8

Prefect 通常如何定義流程?

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. Prefect 通常如何定義流程?
    • 無法呼叫另一個流的 Python 函數
    • 調度作業的模型評量指標
    • 組成工作流程邏輯的修飾 Python 函數
    • 命名資料資產及其依賴關係的圖表
  2. Dagster 如何表示以資產為導向的工作流程?
    • 預定工作流程的呼叫記錄
    • 命名資料輸出及其生產依賴性
    • 沒有輸出沿襲的任務執行狀態
    • 一組訓練超參數
  3. 為什麼自動重試對於某些工作流程步驟來說不安全?
    • Prefect自動偵測非冪等操作並抑制重複寫入
    • 任務重試絕對不會多次呼叫其 Python 函數
    • 將重試計數設為 1 可防止第一次嘗試運行
    • 當操作不是冪等時,重試可能會重複外部副作用
  4. 應該記錄什麼來支援 ML 工件譜系?
    • 資料集身分、程式碼修訂、配置和工件版本
    • 僅計劃和運行名稱
    • 僅用於啟動作業的 UI 佈局
    • 僅最終準確率分數
  5. 團隊應該在代表性協調器試驗中比較什麼?
    • 僅每個工作流程步驟是否被修飾
    • 僅首選儀表板配色方案
    • 調試、部署、沿襲、回填和操作要求
    • 僅驗證訓練模型的準確性
  6. Dagster 的資產模型什麼時候有用?
    • 當任務沒有可追蹤的輸出時
    • 當團隊需要追蹤產生的數據和具有依賴關係的模型輸出時
    • 僅當在手機上提供模型時
    • 當工作流程不應該有狀態時
  7. 需要專門計算的訓練作業會發生什麼情況?
    • 協調器應在自己的進程內執行所有 GPU 訓練
    • 培訓作業應隱藏在計畫定義中
    • 模型資料應作為秘密存儲
    • 將作業提交給適當的計算並追蹤其輸出
  8. 關於 Prefect 和 Dagster 的哪種說法是準確的?
    • 根據工作流程抽象化和團隊營運需求進行選擇
    • 每個機器學習工作流程總是運作得更快
    • 這兩種工具都可以保證模型的有效性
    • 两者都消除了跟踪数据版本的需要