Modulbewertung

1.

Ein Data Scientist möchte ein Skript als Befehlsauftrag ausführen, um ein PyTorch-Modell zu trainieren, wobei die Batchgröße und die Lernrate Hyperparameter bei jeder Ausführung des Auftrags auf angegebene Werte festgelegt werden. Was sollte der Datenwissenschaftler tun?

Erstellen Sie mehrere Skriptdateien – eine für jede Kombination aus Batchgröße und Lernrate, die Sie verwenden möchten.

Legen Sie die Eigenschaften der Batchgröße und der Lernrate des Befehlsauftrags fest, bevor Sie den Auftrag übermitteln.

Fügen Sie dem Skript Argumente für Batchgröße und Lernrate hinzu, und legen Sie sie in der Befehlseigenschaft des Befehlsauftrags fest.

2.

Ein Data Scientist hat ein Modell in einem Notizbuch trainiert. Das Modell sollte jede Woche auf neue Daten neu trainiert werden. Was soll der Datenwissenschaftler tun, um die Codeproduktion vorzubereiten?

Kopieren sie den Code aus jeder Zelle in ein Skript, und fügen Sie ihn ein.

Konvertieren Sie den Code in eine Funktion in einem Skript, das die Daten liest und das Modell trainiert.

Konvertieren Sie den Code in mehrere Funktionen in einem Skript, in dem die Daten gelesen und das Modell trainiert werden.

3.

Ein Data Scientist trainiert ein Regressionsmodell und möchte die Leistung des Modells verfolgen, indem der Root Mean Squared Error (RMSE) mit dem Experimentlauf gespeichert wird. Welche Methode kann zum Protokollieren des RMSE verwendet werden?

mlflow.log_param()

mlflow.log_artifact()

mlflow.log_metric()

4.

Wenn ein Datenwissenschaftler die automatische MLflow-Protokollierung ermöglicht, wo können alle Modellressourcen gefunden werden?

Im Modellordner unter Outputs + logs.

Im Ausgabeordner unter Outputs + logs.

Im Modellordner unter Metriken.

Feedback