Örnek sorular
Aipy Python Ml Packaging EnvironmentsZorluk 1
Bir ML projesinde, torch veya numpy gibi paketleri sistem geneli Python'a kurmak yerine ayrı bir sanal ortam (venv veya conda env) oluşturmak neden yaygın bir pratiktir?
- aÇünkü sistem geneli Python, kurulu paketlerden bağımsız olarak hiçbir makine öğrenmesi kodunu çalıştıramaz.
- bBöylece her projenin paket sürümleri izole kalır ve projeler arasında çakışma önlenir.✓
- cÇünkü pip, GPU ile ilgili paketleri sanal ortam dışında kurmayı reddeder.
- dBöylece işletim sistemi tüm ML kütüphanelerini her gece otomatik olarak en son sürüme günceller.
Açıklama:Ayrı bir ortam her projenin bağımlılık kümesini izole eder; böylece bir projenin numpy veya torch sürümü, aynı makinedeki başka bir projenin gereksinimleriyle çakışmaz. (a) yanlıştır — sistem Python'ı ML kodu çalıştırabilir, izolasyon yeteneklerle değil çakışmayla ilgilidir. (c) pip'in olmayan bir kısıtlamasını uyduruyor. (d) otomatik güncellemeyi anlatıyor, ortamların ne yaptığıyla ilgisizdir.
Aipy Python Ml Packaging EnvironmentsZorluk 1
Bir ML projesinde bağımlılıkları yönetirken pip ile conda arasındaki temel pratik fark nedir?
- aconda, Python paketlerine ek olarak Python-dışı bağımlılıkları da (CUDA toolkit kütüphaneleri gibi) yönetebilir.✓
- bpip yalnızca bir Docker container içinde kullanılabilir, conda ise yalnızca bare-metal bir makinede kullanılabilir.
- cconda, ne istenirse istensin her zaman pip'ten kesinlikle daha yeni paket sürümlerini kurar.
- dpip ve conda aynı aracın iki farklı adıdır, bu yüzden aradaki farkın pratik bir etkisi yoktur.
Açıklama:conda, CUDA/cuDNN gibi Python-dışı sistem seviyesi kütüphaneler dahil tam ikili paketleri yönetir; pip'in kapsamı yalnızca Python paketleriyle sınırlıdır. (b) var olmayan bir container-özel kısıtlama uyduruyor. (c) pip/conda'nın uymadığı bir sürüm-sıralama kuralı icat ediyor. (d) yanlıştır — bunlar farklı bağımlılık çözücülere ve paket formatlarına sahip farklı araçlardır.
Aipy Python Ml Packaging EnvironmentsZorluk 1
pip freeze komutu tipik olarak ne çıktı verir ve bu ML projeleri için neden faydalıdır?
- aPyPI'de yayınlanmış tüm paketlerin listesini verir; mevcut ML kütüphanelerine göz atmak için faydalıdır.
- bMakineye kurulu GPU sürücü sürümünü verir; CUDA uyumluluğunu kontrol etmek için faydalıdır.
- cMevcut ortamda kurulu paketlerin tam sürümlerini verir.✓
- dMevcut ortamdaki numpy ve torch kurulumlarının bir performans benchmark'ını verir.
Açıklama:pip freeze, o an kurulu paketlerin tam sürümlerini listeler; bu genellikle bir requirements dosyasına yönlendirilerek aynı ortamın başka bir yerde yeniden oluşturulmasını sağlar. (a) bunu PyPI'nin tüm kataloğuna göz atmakla karıştırıyor. (b) ve (d), pip freeze'in yapmadığı sürücü-inceleme veya benchmark davranışları yüklüyor.
Aipy Python Ml Packaging EnvironmentsZorluk 2
Bir ekibin requirements.txt dosyasında numpy>=1.20 yazıyor. Altı ay sonra yapılan taze bir kurulum, bazı varsayılan davranışları değiştiren çok daha yeni bir numpy sürümü çekiyor ve daha önce çalışan bir eğitim script'ini bozuyor. Bu ne göstermektedir?
- arequirements.txt dosyaları yalnızca tek bir bağımlılık içerebilir, bu yüzden proje zaten yanlış yapılandırılmıştı.
- bnumpy sürümleri her zaman tam geriye dönük uyumludur, bu yüzden bozulma sürüm değişikliğiyle ilgisiz bir şeyden kaynaklanıyor olmalı.
- cpip, ilk kurulumdan sonra
>= gibi sürüm kısıtlamalarını yok sayar, bu yüzden bu aslında bir pip hatasıdır. - d
>= gibi gevşek bir kısıtlama, davranışı değiştiren daha yeni bir sürümün sonradan kurulmasına izin verir ve reproducibility'yi zedeler.✓
Açıklama:>= yalnızca bir alt sınır belirler, bu yüzden daha yeni herhangi bir sürüm — kırıcı değişiklikler içeren biri dahil — bu koşulu sağlar; gevşek kısıtlamaların zamanla reproducibility'yi zedelemesinin nedeni tam olarak budur. (a) yanlıştır; requirements dosyaları birçok bağımlılık listeleyebilir. (b) tüm sürümler arasında mükemmel geriye dönük uyumluluk varsayıyor, ki yanlış. (c) normal >= çözümleme davranışını tanımak yerine uydurma bir pip hatası icat ediyor.
Aipy Python Ml Packaging EnvironmentsZorluk 2
GPU hızlandırmalı bir deep learning framework'ü kurarken, önce makinenin CUDA/sürücü sürümünü kontrol etmek yerine doğrudan pip install torch çalıştırmak neden yeterli olmayabilir?
- aÇünkü pip, manuel sürücü yapılandırması olmadan 500 MB'tan büyük hiçbir paketi kuramaz.
- bÖnceden derlenmiş GPU wheel'leri belirli bir CUDA sürüm aralığına göre derlenir ve uyumsuz bir kurulum GPU desteğini sessizce bozabilir.✓
- cÇünkü CUDA sürümleri yalnızca eğitim için önemlidir, GPU üzerinde inference çalıştırmak için hiç önemli değildir.
- dÇünkü
pip install torch her zaman tüm CUDA sürümlerini aynı anda kurar, bu yüzden uyumluluk hiçbir zaman önemli değildir.
Açıklama:Önceden derlenmiş GPU wheel'leri belirli bir CUDA derlemesini hedefler; kurulu sürücü/CUDA runtime ile uyuşmazlık genellikle framework'ün sessizce CPU'ya düşmesine veya hata vermesine yol açar, bu yüzden önce uyumluluğu kontrol etmek önemlidir. (a) CUDA ile ilgisiz bir paket-boyutu kısıtlaması uyduruyor. (c) CUDA uyumluluğunun yalnızca eğitim için önemli olduğunu yanlış iddia ediyor. (d) pip'i tüm CUDA sürümlerini bir arada paketleyen bir araç gibi yanlış tanımlıyor.
Aipy Python Ml Packaging EnvironmentsZorluk 2
numpy.random.seed(...)'e ek olarak, bir eğitim script'inin neden random.seed(...) (Python'ın yerleşik random modülü) ve torch.manual_seed(...)'i de ayrı ayrı ayarlaması gerekebilir?
- aHer kütüphane kendi bağımsız rastgele sayı üreteci durumunu tutar.✓
- bnumpy'ın seed'ini ayarlamak, aynı seed'i kurulu diğer tüm kütüphanelere otomatik olarak yayar.
- cPython'ın yerleşik
random modülü kullanımdan kaldırılmıştır ve seed'ini ayarlamanın modern sistemlerde hiçbir etkisi yoktur. - dtorch, seed'ini yalnızca işletim sistemi saatinden okur ve kendisine geçirilen herhangi bir seed'i yok sayar.
Açıklama:random, numpy ve torch her biri kendi içinde ayrı bir RNG durumu tutar, bu yüzden birine ayarlanan bir seed diğerlerini etkilemez — reproducibility, rastgelelik üreten her kütüphanenin ayrı ayrı seedlenmesini gerektirir. (b) var olmayan otomatik yayılımı uyduruyor. (c) yanlıştır; random standart ve halen aktif kullanılan bir modüldür. (d) torch.manual_seed'i yanlış tanımlıyor; bu fonksiyon kendisine geçirilen seed'i gerçekten alıp kullanır.