Cuestionario de Ray Train / Tune
Preguntas de opción múltiple
- ¿Qué no crea Ray Train automáticamente?
- A) Coordinación subyacente de workers
- B) Configuración del grupo de procesos del framework
- C) Toda la lógica de modelo/partición de datos/guardado y restauración de estado
- D) Solicitudes de recursos de Ray
Mostrar respuesta
Respuesta: C
Prepare la integración de modelo/data-loader y la lógica real de modelo, optimizador y checkpoint.
- ¿Cuál es el valor predeterminado revisado de Train V2 en 2.58.0?
- A) V2 cuando la variable de entorno no está configurada
- B) Solo puede ejecutarse V1
- C) Se eliminó la importación de TorchTrainer
- D) Los extras de Ray instalan PyTorch automáticamente
Mostrar respuesta
Respuesta: A
Distinga las ejecuciones que seleccionan explícitamente la implementación anterior. Los frameworks son dependencias independientes.
- ¿Qué sucede cuando se configura el trainer_resources heredado en V2?
- A) Siempre reserva más CPU para el controller
- B) Se genera un error de obsolescencia
- C) Aumenta el número de GPU
- D) Cambia el número de pruebas de Tune
Mostrar respuesta
Respuesta: B
Los ámbitos de recursos del controller, los workers de entrenamiento y el driver de Tune son distintos.
- ¿Qué hace Checkpoint.from_directory?
- A) Captura automáticamente todos los estados de modelo/optimizador/RNG
- B) Hace referencia a archivos en un directorio de checkpoint preparado por el usuario
- C) Despliega el modelo
- D) Anonimiza el conjunto de datos
Mostrar respuesta
Respuesta: B
Cree la carga útil de recuperación y cargue el checkpoint devuelto por get_checkpoint.
- ¿Cuál es la regla de participación de report de V2 en 2.58.0?
- A) Solo el rango 0 lo llama
- B) Cada worker alcanza la barrera el mismo número de veces
- C) Cada métrica se promedia automáticamente
- D) No puede llamarse sin un checkpoint
Mostrar respuesta
Respuesta: B
Los demás workers informan checkpoint=None incluso cuando solo el rango 0 guarda archivos.
- ¿max_failures=0 deshabilita todos los reintentos?
- A) Sí
- B) No; los reintentos del controller y de preempción tienen configuraciones separadas
- C) Siempre significa reintentos infinitos
- D) Solo deshabilita los reintentos de Karpenter
Mostrar respuesta
Respuesta: B
Los valores predeterminados revisados para controller_failure_limit y max_preemption_failures son ambos -1.
- ¿Cuál es el patrón actual de integración de Train/Tune V2?
- A) Pasar la instancia de V2 Trainer directamente a Tuner
- B) Construir y ajustar un Trainer dentro de una función entrenable; conectar callbacks según sea necesario
- C) Las bibliotecas no pueden combinarse
- D) Siempre se necesita un clúster de Kubernetes independiente
Mostrar respuesta
Respuesta: B
La entrada directa de V2 Trainer generó TuneError en la comprobación nativa. La integración requiere configuración y planificación de recursos.
- ¿Qué reenvía TuneReportCallback?
- A) Una métrica de worker promediada automáticamente
- B) Una segunda carga de checkpoint
- C) El diccionario de métricas del primer worker y la ruta de checkpoint existente
- D) Siempre funciona fuera de las sesiones de Tune
Mostrar respuesta
Respuesta: C
Constrúyalo en una sesión de Tune. Realice la agregación de métricas por separado.
Preguntas de respuesta corta
- ¿Por qué planificar conjuntamente los recursos de los drivers de pruebas y los workers de Train?
Mostrar respuesta
Los drivers pueden ocupar recursos requeridos por sus workers anidados o grupos de colocación. Compruebe conjuntamente la concurrencia, los paquetes de workers, los límites del clúster y la viabilidad por nodo.
- ¿Qué no demuestra un ejemplo exitoso de Tune escalar?
Mostrar respuesta
No demuestra la precisión del modelo, el rendimiento de PyTorch/DDP o GPU, la recuperación de checkpoint multinodo ni el autoescalado de EKS. Comprueba las API y la recopilación de dos resultados de pruebas escalares.