Den här webbläsaren stöds inte längre.
Uppgradera till Microsoft Edge och dra nytta av de senaste funktionerna och säkerhetsuppdateringarna, samt teknisk support.
En dataexpert vill köra ett skript som ett kommandojobb för att träna en PyTorch-modell och ange batchstorleken och inlärningshastighetens hyperparametrar till angivna värden varje gång jobbet körs. Vad bör dataexperten göra?
Skapa flera skriptfiler – en för varje kombination av batchstorlek och inlärningsfrekvens som du vill använda.
Ange egenskaperna för batchstorlek och inlärningsfrekvens för kommandojobbet innan du skickar jobbet.
Lägg till argument för batchstorlek och inlärningsfrekvens i skriptet och ange dem i kommandojobbets kommandoegenskap.
En dataexpert har tränat en modell i en notebook-fil. Modellen bör tränas om varje vecka på nya data. Vad bör dataexperten göra för att göra koden produktionsklar?
Kopiera och klistra in koden från varje cell till ett skript.
Konvertera koden till en funktion i ett skript som läser data och tränar modellen.
Konvertera koden till flera funktioner i ett skript som läser data och tränar modellen.
En dataexpert tränar en regressionsmodell och vill spåra modellens prestanda genom att lagra RMSE (Root Mean Squared Error) med experimentkörningen. Vilken metod kan användas för att logga RMSE?
mlflow.log_param()
mlflow.log_artifact()
mlflow.log_metric()
Var kan alla modelltillgångar hittas när en dataexpert aktiverar automatisk MLflow-loggning?
I modellmappen under Utdata + loggar.
I mappen outputs (utdata) under Utdata + loggar.
I modellmappen under Mått.
Du måste svara på alla frågor innan du kontrollerar ditt arbete.
Var den här sidan till hjälp?
Behöver du hjälp med det här ämnet?
Vill du prova att använda Fråga Lär för att klargöra eller vägleda dig genom det här ämnet?