已不再支援此瀏覽器。
請升級至 Microsoft Edge，以利用最新功能、安全性更新和技術支援。
資料科學家希望執行腳本作為指令工作來訓練 PyTorch 模型，並在每次執行工作時設定批次大小和學習速率超參數為指定值。 資料科學家應該怎麼做？
建立多個腳本檔案——針對你想使用的批次大小和學習率組合各一個。
在提交作業前，先設定指令工作的批次大小和學習率屬性。
在腳本中加入批次大小和學習率的參數，並在指令作業的命令屬性中設定。
一位資料科學家在筆記本中訓練了一個模型。 模型應該每週根據新資料重新訓練。 資料科學家應該做些什麼，才能讓程式碼準備好投入生產環境？
將每個儲存格的程式碼複製貼上到腳本上。
將程式碼轉換成一個腳本中的函數，讀取資料並訓練模型。
將程式碼轉換成多個函式，透過腳本讀取資料並訓練模型。
數據科學家訓練了一個回歸模型，並想要透過在實驗運行中儲存根平均平方誤差 (RMSE) 來追蹤模型效能。 哪一種方法可以用來記錄 RMSE？
mlflow.log_param()
mlflow.log_artifact()
mlflow.log_metric()
當數據科學家啟用 MLflow 自動記錄時，可以在何處找到所有模型資產？
在 [輸出 + 記錄] 底下的 model 資料夾中，。
在 [輸出 + 記錄] 中的 [輸出] 資料夾。
在 [ 計量] 底下的模型資料夾中。
您必須先回答所有問題，才能檢查進度。
此頁面對您有幫助嗎？
需要本主題的協助嗎？
想要嘗試使用 Ask Learn 來釐清或引導您完成本主題嗎？