Học sâu ứng dụng University

Chủ đề 5: Tổ chức mã nguồn với PyTorch Lightning

100 questions

150 min

Answer key

Exam info

Subject: Học sâu ứng dụng
Exam type: University
Questions: 100
Duration: 150 min
Answers: ✓ With explanations

Questions (100)

Q 1.
Vai trò đúng nhất của PyTorch Lightning trong học phần này là gì?
- A.
  Một framework mới thay thế hoàn toàn PyTorch.
- B.
  Thư viện giúp tổ chức mã nguồn PyTorch, tự động hóa nhiều thao tác kỹ thuật trong huấn luyện.
- C.
  Một hộp đen tự xây mô hình, hàm mất mát, bộ tối ưu và chỉ số cho người dùng.
- D.
  Một gói bắt buộc phải dùng đồng thời Trainer, LightningModule, LightningDataModule và TorchMetrics.
Q 2.
Trong cách tổ chức mã nguồn được đề xuất, ba loại mã được đặt ở đâu?
- A.
  Mã khoa học trong LightningModule, mã kỹ thuật trong Trainer và mã dữ liệu trong LightningDataModule.
- B.
  Mã khoa học trong Trainer, mã kỹ thuật trong LightningModule và mã dữ liệu trong callback.
- C.
  Mã khoa học và mã kỹ thuật đều trong LightningModule, còn mã dữ liệu trong Trainer.
- D.
  Tất cả ba loại mã đều đặt trong một hàm huấn luyện duy nhất.
Q 3.
Đoạn tính loss phân loại bằng F.cross_entropy(logits, labels) thuộc khối nào?
- A.
  LightningDataModule.
- B.
  Callback.
- C.
  LightningModule.
- D.
  Trainer.
Q 4.
Phần nào chịu trách nhiệm chuyển mô hình và dữ liệu sang GPU, quản lý backward và cập nhật tham số?
- A.
  LightningDataModule.
- B.
  LightningModule.
- C.
  Trainer.
- D.
  Logger.
Q 5.
Thành phần nào phù hợp nhất để đóng gói việc tải MNIST, chia tập và tạo DataLoader?
- A.
  LightningDataModule.
- B.
  Trainer.
- C.
  ModelCheckpoint.
- D.
  LearningRateMonitor.
Q 6.
Mối quan hệ nào giữa Lightning và PyTorch là chính xác?
- A.
  Lightning thay đổi cách viết mô hình thành một lớp hoàn toàn khác PyTorch.
- B.
  Lightning hoạt động trên nền tảng PyTorch và giảm bớt mã kỹ thuật lặp lại.
- C.
  PyTorch chỉ được dùng để tạo dữ liệu, còn Lightning tự xây mọi mô hình.
- D.
  Lightning chỉ hỗ trợ phân loại ảnh và không dùng được cho hồi quy.
Q 7.
Sau khi huấn luyện bằng Lightning, mô hình có thể được sử dụng như thế nào trong ứng dụng PyTorch thông thường?
- A.
  Phải chuyển mọi mô hình thành một định dạng đặc biệt chỉ Lightning đọc được.
- B.
  Có thể lấy state_dict, nạp vào nn.Module tương ứng và suy luận mà không cần Lightning trong ứng dụng.
- C.
  Chỉ có thể dùng checkpoint Lightning để chạy trên GPU.
- D.
  Phải dùng lại toàn bộ Trainer trong mọi lần suy luận.
Q 8.
Để tránh lỗi không tương thích kiểu dữ liệu, cách sử dụng các gói Lightning nào là phù hợp?
- A.
  Dùng lightning cho Trainer nhưng trộn callback của pytorch_lightning.
- B.
  Chỉ dùng pytorch_lightning trong toàn bộ chương trình.
- C.
  Dùng thống nhất gói lightning, ví dụ import lightning as L.
- D.
  Chọn gói Lightning theo từng tệp trong cùng một dự án.
Q 9.
Hai phương thức tối thiểu được xem là bắt buộc để một LightningModule có thể được Trainer sử dụng là gì?
- A.
  forward và validation_step.
- B.
  training_step và configure_optimizers.
- C.
  test_step và predict_step.
- D.
  setup và teardown.
Q 10.
Vai trò chính của phương thức forward trong LightningModule là gì?
- A.
  Ghi tất cả chỉ số huấn luyện vào logger.
- B.
  Định nghĩa phép tính từ đầu vào của mô hình sang đầu ra, chẳng hạn từ đặc trưng sang logits.
- C.
  Tạo bộ tối ưu và lịch trình tốc độ học.
- D.
  Chia dữ liệu thành tập huấn luyện và tập kiểm định.
Q 11.
Điều gì xảy ra nếu training_step tính loss nhưng không trả về loss?
- A.
  Trainer vẫn tự suy ra loss từ logits.
- B.
  Trainer bỏ qua lô đó, nên mô hình không học và lỗi có thể không được báo rõ.
- C.
  Mô hình tự tính lại loss bằng cross entropy.
- D.
  Chỉ chỉ số độ chính xác bị ảnh hưởng nhưng trọng số vẫn được cập nhật.
Q 12.
Khi chạy trainer.test(...), Trainer chủ yếu gọi phương thức nào của LightningModule?
- A.
  training_step.
- B.
  test_step.
- C.
  configure_optimizers.
- D.
  prepare_data.
Q 13.
Lợi ích chính của mẫu thiết kế bọc một nn.Module bên trong LightningModule là gì?
- A.
  Không thể thay đổi kiến trúc mô hình sau khi đã tạo LightningModule.
- B.
  Giúp phần loss, tối ưu và chỉ số được tái sử dụng cho MLP, CNN hoặc kiến trúc khác.
- C.
  Loại bỏ nhu cầu sử dụng optimizer.
- D.
  Buộc mô hình phải dùng cùng một loại DataLoader.
Q 14.
Điều nào được Trainer tự động thực hiện trong quá trình huấn luyện và kiểm định?
- A.
  Chuyển đổi mô hình giữa chế độ huấn luyện và chế độ đánh giá.
- B.
  Chọn kiến trúc mạng phù hợp với dữ liệu.
- C.
  Xác định hàm mất mát theo loại bài toán.
- D.
  Tạo tập kiểm định từ tập huấn luyện.
Q 15.
Khi dùng Trainer, việc chuyển mô hình và từng lô dữ liệu sang thiết bị được xử lý như thế nào?
- A.
  Người dùng vẫn phải gọi .to(device) ở mọi vòng lặp.
- B.
  Trainer tự chuyển mô hình và lô dữ liệu sang thiết bị đã chọn.
- C.
  Chỉ mô hình được chuyển sang GPU, còn dữ liệu luôn nằm trên CPU.
- D.
  DataModule phải chuyển dữ liệu sang GPU trước khi Trainer bắt đầu.
Q 16.
Với cơ chế tối ưu tự động mặc định, Trainer sử dụng loss trả về từ training_step để làm gì?
- A.
  Gọi backward và cập nhật tham số theo optimizer.
- B.
  Chỉ dùng loss để in ra bảng tóm tắt.
- C.
  Tự động thay đổi tốc độ học sau mỗi lô.
- D.
  Chuyển loss thành nhãn dự đoán.
Q 17.
Bộ tối ưu SGD với tốc độ học 0,05 nên được khai báo ở đâu?
- A.
  Trong configure_optimizers của LightningModule.
- B.
  Trong prepare_data của LightningDataModule.
- C.
  Trong phương thức on_train_end của callback.
- D.
  Trong hàm khởi tạo DataLoader.
Q 18.
Với cấu trúc LightningModule chuẩn, kiểm định trên tập kiểm định thường được thực hiện khi nào?
- A.
  Sau mỗi epoch huấn luyện.
- B.
  Trước khi mô hình được khởi tạo.
- C.
  Chỉ một lần sau khi huấn luyện kết thúc.
- D.
  Sau mỗi lô trong tập kiểm tra.
Q 19.
So với vòng lặp PyTorch thuần, cơ chế lưu checkpoint của Trainer có đặc điểm nào?
- A.
  Chỉ lưu trọng số cuối cùng sau khi toàn bộ huấn luyện kết thúc.
- B.
  Được tích hợp trong quy trình huấn luyện và có thể cấu hình bằng ModelCheckpoint.
- C.
  Bắt buộc lưu toàn bộ đối tượng DataModule vào mỗi checkpoint.
- D.
  Chỉ hoạt động sau khi người dùng gọi torch.save.
Q 20.
Tham số max_epochs=10 của Trainer có ý nghĩa gì?
- A.
  Chỉ lưu tối đa 10 checkpoint.
- B.
  Giới hạn số epoch huấn luyện tối đa là 10 nếu quá trình chưa dừng sớm.
- C.
  Giới hạn mỗi epoch chỉ gồm 10 lô.
- D.
  Ghi nhật ký chỉ trong 10 bước đầu tiên.
Q 21.
Khi đặt accelerator='auto', Trainer sẽ hành động như thế nào?
- A.
  Chỉ dùng CPU để bảo đảm kết quả giống nhau trên mọi máy.
- B.
  Tự chọn GPU nếu có, nếu không thì dùng CPU.
- C.
  Chỉ chạy trên MPS và báo lỗi nếu máy không có MPS.
- D.
  Tự chọn nhiều GPU ngay cả khi Trainer chỉ cấu hình một thiết bị.
Q 22.
Với devices=1, Trainer sử dụng bao nhiêu thiết bị huấn luyện?
- A.
  Một thiết bị.
- B.
  Tự động dùng toàn bộ GPU có sẵn.
- C.
  Mười thiết bị.
- D.
  Không thiết bị nào nếu đang dùng GPU.
Q 23.
Cấu hình precision='16-mixed' thường mang lại lợi ích gì?
- A.
  Tăng tốc huấn luyện trên GPU nhờ sử dụng phép tính số thực hỗn hợp độ chính xác 16 và 32 bit.
- B.
  Bắt buộc tăng số epoch tối đa lên 16.
- C.
  Thay đổi số lớp đầu ra của mô hình thành 16.
- D.
  Loại bỏ nhu cầu cấu hình optimizer.
Q 24.
Ý nghĩa của deterministic=True trong Trainer là gì?
- A.
  Buộc PyTorch chỉ dùng các thuật toán có thể tái lập tất định và báo lỗi nếu gặp thuật toán không phù hợp.
- B.
  Không cho phép sử dụng GPU.
- C.
  Đảm bảo mọi phiên bản PyTorch trên mọi phần cứng cho kết quả giống hệt nhau.
- D.
  Tự động lưu checkpoint tốt nhất theo val_loss.
Q 25.
Tham số default_root_dir của Trainer chủ yếu xác định điều gì?
- A.
  Kiến trúc mạng nền của mô hình.
- B.
  Thư mục gốc dùng để lưu nhật ký và checkpoint.
- C.
  Nơi chứa tập kiểm tra.
- D.
  Số lượng worker của DataLoader.
Q 26.
Vai trò của tham số logger trong Trainer là gì?
- A.
  Chọn kiến trúc mô hình.
- B.
  Cung cấp bộ tối ưu cho mô hình.
- C.
  Chỉ định cách lưu nhật ký thí nghiệm, chẳng hạn CSVLogger hoặc TensorBoardLogger.
- D.
  Tạo DataLoader huấn luyện.
Q 27.
Cấu hình callbacks của Trainer nên có dạng nào?
- A.
  Một đối tượng callback duy nhất, không có dấu ngoặc vuông.
- B.
  Một danh sách các đối tượng callback, chẳng hạn [ModelCheckpoint(...)].
- C.
  Một chuỗi tên callback không có đối tượng Python.
- D.
  Danh sách tên tệp checkpoint đã lưu.
Q 28.
Tham số log_every_n_steps=50 quy định điều gì?
- A.
  Chỉ huấn luyện 50 bước rồi dừng.
- B.
  Ghi các đại lượng theo bước vào nhật ký khoảng mỗi 50 bước.
- C.
  Tạo checkpoint mỗi 50 epoch.
- D.
  Chia dữ liệu thành các lô 50 phần tử.
Q 29.
fast_dev_run=True thích hợp nhất cho mục đích nào?
- A.
  Huấn luyện đầy đủ mô hình trong một epoch để tối ưu tốc độ.
- B.
  Chạy thử trên một lô huấn luyện và một lô kiểm định để phát hiện lỗi mã.
- C.
  Tải toàn bộ tập kiểm tra về bộ nhớ.
- D.
  Tự động chọn checkpoint tốt nhất theo tập kiểm tra.
Q 30.
Khi dùng overfit_batches=1 để gỡ lỗi, hiện tượng nào cho thấy mã huấn luyện còn đáng ngờ?
- A.
  Loss trên một lô không thể tiến gần về 0 dù mô hình có thể học thuộc lô đó.
- B.
  Loss giảm về 0 sau vài bước.
- C.
  Mô hình dùng một lô duy nhất trong mỗi epoch.
- D.
  Tập kiểm định không được tạo.
Q 31.
Khi nào toàn bộ vòng lặp epoch và lô được thực hiện trong Lightning?
- A.
  Trong hàm __init__ của LightningModule.
- B.
  Khi gọi trainer.fit(model=..., train_dataloaders=..., val_dataloaders=...).
- C.
  Khi gọi model.forward.
- D.
  Khi DataLoader được khởi tạo.
Q 32.
Khi chuyển cùng một mô hình từ CPU sang GPU bằng Lightning, cần sửa phần định nghĩa mô hình như thế nào?
- A.
  Thêm .to(device) vào forward.
- B.
  Không cần sửa; chỉ thay đổi cấu hình accelerator hoặc devices của Trainer.
- C.
  Phải chuyển mọi lớp Linear sang lớp riêng của GPU.
- D.
  Phải xây lại DataLoader cho từng loại GPU.
Q 33.
Mục đích của bước sanity check trước khi huấn luyện là gì?
- A.
  Tìm ra mô hình có độ chính xác cao nhất trên tập kiểm tra.
- B.
  Chạy thử một phần quy trình để phát hiện sớn lỗi trước khi huấn luyện dài.
- C.
  Tăng tốc độ học để đạt hiệu suất tốt nhất.
- D.
  Chống rò rỉ dữ liệu trong quá trình chuẩn hóa.
Q 34.
Với 55 000 ảnh và kích thước lô 64, không bỏ lô cuối, số lô huấn luyện mỗi epoch là bao nhiêu?
- A.
  859 lô.
- B.
  860 lô.
- C.
  861 lô.
- D.
  550 lô.
Q 35.
Khi không dùng drop_last, lô cuối chỉ có 24 ảnh trong trường hợp 55 000 ảnh và lô 64. Lô này có được dùng để cập nhật mô hình không?
- A.
  Có, nếu không bỏ qua thì nó vẫn là một bước cập nhật hợp lệ.
- B.
  Không, mọi lô dưới 64 ảnh đều bị Trainer bỏ qua.
- C.
  Có, nhưng phải chuẩn hóa nhãn theo kích thước lô cố định.
- D.
  Không, vì loss chỉ được tính trên các lô có đúng 64 ảnh.
Q 36.
Vì sao kết quả của PyTorch thuần và Lightning có thể lệch nhẹ dù dùng cùng mô hình, dữ liệu và siêu tham số?
- A.
  Lightning luôn dùng phép tối ưu khác PyTorch.
- B.
  Khởi tạo trọng số và thứ tự lô có thể khác giữa hai lần chạy nếu chưa kiểm soát ngẫu nhiên.
- C.
  Lightning không thể dùng cùng một tập dữ liệu với PyTorch thuần.
- D.
  Trainer luôn bỏ qua các lô cuối khác kích thước.
Q 37.
Mô hình MLP 784 → 50 → 25 → 10 có tổng số tham số huấn luyện là bao nhiêu?
- A.
  40 785 tham số.
- B.
  39 250 tham số.
- C.
  41 000 tham số.
- D.
  785 tham số.
Q 38.
TorchMetrics giải quyết vấn đề gì khi tính chỉ số trên một tập dữ liệu lớn?
- A.
  Cho phép nạp toàn bộ tập dữ liệu vào bộ nhớ để tính chính xác.
- B.
  Cập nhật trạng thái gọn qua từng lô, rồi tổng hợp thành chỉ số cuối cùng.
- C.
  Tự động tạo nhãn giả cho mọi mẫu chưa có nhãn.
- D.
  Thay thế toàn bộ quá trình huấn luyện mô hình.
Q 39.
Lời gọi metric.update(predictions, targets) có tác dụng gì?
- A.
  Cộng dồn trạng thái của metric nhưng không trả về giá trị.
- B.
  Xóa toàn bộ số liệu trước khi thêm lô mới.
- C.
  Trả về giá trị cuối cùng trên toàn bộ tập dữ liệu.
- D.
  Gọi backward cho metric.
Q 40.
Khác biệt giữa metric.update(...) và metric(predictions, targets) là gì?
- A.
  Hai lời gọi hoàn toàn giống nhau.
- B.
  Lời gọi trực tiếp vừa cập nhật trạng thái vừa trả về giá trị của riêng lô hiện tại.
- C.
  Chỉ lời gọi trực tiếp mới cập nhật trạng thái.
- D.
  Chỉ lời gọi trực tiếp mới xóa trạng thái.
Q 41.
Lời gọi metric.compute() trả về giá trị nào?
- A.
  Giá trị của riêng lô cuối cùng.
- B.
  Chỉ số được tính trên tất cả dữ liệu đã cập nhật vào metric.
- C.
  Một giá trị ngẫu nhiên để đánh giá mô hình.
- D.
  Danh sách tất cả nhãn đã dự đoán.
Q 42.
Sau khi Lightning đã ghi chỉ số theo epoch, metric.reset() có ý nghĩa gì?
- A.
  Đưa trạng thái tích lũy của metric về trạng thái ban đầu cho epoch kế tiếp.
- B.
  Xóa vĩnh viễn metric khỏi LightningModule.
- C.
  Ghi toàn bộ giá trị metric vào tập kiểm tra.
- D.
  Tạo lại optimizer của mô hình.
Q 43.
Đặc điểm nổi bật của dạng hàm torchmetrics.functional.accuracy(...) là gì?
- A.
  Có trạng thái nội bộ và tự cộng dồn qua nhiều lô.
- B.
  Tính trực tiếp từ đầu vào được cung cấp, không có trạng thái tích lũy tự động.
- C.
  Tự động lưu checkpoint của metric.
- D.
  Bắt buộc nhận dữ liệu dưới dạng DataLoader.
Q 44.
Hai lô có 64 mẫu với 60 dự đoán đúng và 8 mẫu với 4 dự đoán đúng. Độ chính xác tổng hợp đúng cách là bao nhiêu?
- A.
  71,88%.
- B.
  88,89%.
- C.
  50,00%.
- D.
  93,75%.
Q 45.
Vì sao không nên lấy trung bình đơn giản của độ chính xác từng lô?
- A.
  Vì mỗi lô có thể khác kích thước, nên lô nhỏ sẽ bị tính trọng số ngang với lô lớn.
- B.
  Vì TorchMetrics không thể cộng dồn qua các lô.
- C.
  Vì độ chính xác không thể tính trên dữ liệu bị xáo trộn.
- D.
  Vì trung bình luôn bằng không nếu có một lô sai.
Q 46.
Vì sao nên dùng các đối tượng metric riêng cho tập huấn luyện, tập kiểm định và tập kiểm tra?
- A.
  Để mỗi tập có chu kỳ compute và reset độc lập, tránh trộn số liệu.
- B.
  Để mỗi tập có một kiến trúc mô hình khác nhau.
- C.
  Để Trainer không cần gọi validation_step.
- D.
  Để mỗi tập dùng một optimizer khác nhau.
Q 47.
Cấu hình nào phù hợp để tính độ chính xác phân loại 10 lớp bằng TorchMetrics hiện đại?
- A.
  torchmetrics.Accuracy(task='multiclass', num_classes=10).
- B.
  torchmetrics.Accuracy() không có tham số nào.
- C.
  torchmetrics.MeanSquaredError(task='multiclass', num_classes=10).
- D.
  torchmetrics.Accuracy(task='binary').
Q 48.
Khi ghi một đối tượng TorchMetrics bằng self.log, cần làm gì để giá trị được tổng hợp theo epoch?
- A.
  Đặt on_epoch=True và on_step=False.
- B.
  Đặt on_epoch=False và on_step=True.
- C.
  Gọi metric.compute() trước mỗi lô rồi bỏ qua đối tượng metric.
- D.
  Không cần tùy chọn nào vì mọi metric luôn mặc định theo epoch.
Q 49.
Khi Lightning ghi một metric có on_epoch=True, chuỗi xử lý điển hình là gì?
- A.
  Reset trước, update sau mỗi lô và bỏ qua giá trị cuối epoch.
- B.
  Compute, ghi giá trị tổng hợp rồi reset để chuẩn bị cho lần theo dõi tiếp theo.
- C.
  Update, backward và step lặp lại trong khối metric.
- D.
  Ghi từng lô rồi lấy trung bình bằng pandas sau khi huấn luyện.
Q 50.
Vì sao train_acc được ghi trong quá trình huấn luyện chỉ là ước lượng?
- A.
  Vì nó tính trên một tập kiểm định riêng chưa được huấn luyện.
- B.
  Vì các lô đầu được đánh giá bằng trọng số còn yếu, trong khi trọng số thay đổi xuyên suốt epoch.
- C.
  Vì TorchMetrics không hỗ trợ phân loại đa lớp.
- D.
  Vì tập huấn luyện không chứa nhãn.
Q 51.
Cách nào phù hợp nhất để lấy độ chính xác chính xác của mô hình sau huấn luyện trên tập kiểm tra?
- A.
  Dùng giá trị train_acc được ghi trong epoch cuối.
- B.
  Gọi trainer.test sau khi mô hình đã huấn luyện xong.
- C.
  Lấy trung bình các giá trị val_acc của mọi epoch.
- D.
  Chọn epoch có train_loss nhỏ nhất rồi coi đó là kết quả kiểm tra.
Q 52.
Chọn bộ chỉ số hợp lý nhất cho từng tình huống sau.
- A.
  Phân loại cân bằng: Accuracy; phân loại mất cân bằng: F1 hoặc AUROC; hồi quy: MSE, MAE hoặc R2.
- B.
  Mọi bài toán đều nên dùng MeanSquaredError vì nó đơn giản nhất.
- C.
  Phân loại mất cân bằng nên chỉ dùng Accuracy vì nó luôn dễ tính.
- D.
  Hồi quy nên dùng ConfusionMatrix để đo sai số.
Q 53.
Khi dùng MetricCollection, cách ghi nhiều chỉ số cùng lúc vào nhật ký là gì?
- A.
  Gọi self.log_dict với bộ chỉ số của MetricCollection.
- B.
  Gọi self.log riêng cho từng phần tử và bỏ qua MetricCollection.
- C.
  In từng chỉ số bằng print trong mỗi lô.
- D.
  Chuyển MetricCollection thành optimizer.
Q 54.
Lệnh L.seed_everything(123, workers=True) có tác dụng chính là gì?
- A.
  Cố định các nguồn ngẫu nhiên của Python, NumPy và PyTorch, đồng thời cố định hạt giống cho worker.
- B.
  Chỉ cố định cách chia tập kiểm định.
- C.
  Buộc mọi phép toán GPU trở thành tất định.
- D.
  Ngăn Trainer tạo thêm epoch.
Q 55.
Hạt giống ngẫu nhiên nên được đặt ở thời điểm nào?
- A.
  Sau khi mô hình đã được khởi tạo.
- B.
  Trước khi tạo dữ liệu, DataLoader và mô hình.
- C.
  Sau khi toàn bộ huấn luyện kết thúc.
- D.
  Chỉ ngay trước lệnh in kết quả.
Q 56.
Vì sao nên truyền generator=torch.Generator().manual_seed(42) cho random_split?
- A.
  Để cách chia tập không phụ thuộc vào việc thay đổi hạt giống toàn cục cho trọng số hoặc xáo trộn lô.
- B.
  Để DataLoader tự tạo thêm một tập kiểm tra.
- C.
  Để mô hình không dùng Dropout.
- D.
  Để tăng tốc độ tải dữ liệu.
Q 57.
Nếu đổi hạt giống riêng của random_split từ 42 sang 99, điều gì thay đổi?
- A.
  Cách chia tập thay đổi, trong khi hạt giống toàn cục cho trọng số và xáo trộn lô vẫn có thể giữ nguyên.
- B.
  Mọi trọng số mô hình bắt buộc thay đổi.
- C.
  Tốc độ học mặc định thay đổi.
- D.
  Kiến trúc mô hình không còn hợp lệ.
Q 58.
Điều gì cần làm để hạn chế phép toán không tất định trên GPU?
- A.
  Chỉ tăng số lượng checkpoint.
- B.
  Dùng deterministic=True và cấu hình môi trường CUDA phù hợp khi cần.
- C.
  Tắt hoàn toàn logger.
- D.
  Dùng cùng một kiến trúc mạng cho mọi bài toán.
Q 59.
Khi nào cần đặt CUBLAS_WORKSPACE_CONFIG để hỗ trợ tái lập trên GPU?
- A.
  Sau khi checkpoint đã được nạp.
- B.
  Trước lần sử dụng GPU đầu tiên trong chương trình.
- C.
  Chỉ sau khi kết quả đã không tái lập.
- D.
  Không bao giờ cần thiết vì deterministic=True đã đủ trong mọi trường hợp.
Q 60.
Nguồn ngẫu nhiên nào liên quan trực tiếp đến thứ tự phép toán không cố định trên GPU?
- A.
  Khởi tạo trọng số của Linear.
- B.
  Cộng số thực theo thứ tự song song không cố định trên GPU.
- C.
  Chia tập bằng random_split.
- D.
  Tải tệp dữ liệu MNIST xuống đĩa.
Q 61.
Vì sao kết quả tái lập được chỉ là có điều kiện?
- A.
  Vì mọi mô hình đều có tính ngẫu nhiên không thể loại bỏ hoàn toàn.
- B.
  Vì CPU, GPU, phiên bản PyTorch hoặc Lightning khác nhau có thể tạo sai số hoặc thuật toán khác nhau.
- C.
  Vì hàm loss luôn có thành phần ngẫu nhiên ẩn.
- D.
  Vì DataLoader không thể dùng hạt giống.
Q 62.
Hàm nào phù hợp để kiểm chứng hai mô hình có tham số giống hệt từng bit?
- A.
  torch.equal(a, b) trên từng cặp tham số.
- B.
  a == b rồi chỉ kiểm tra tensor đầu tiên.
- C.
  So sánh hai giá trị loss in trên cùng một dòng.
- D.
  So sánh tên các tệp checkpoint.
Q 63.
Khi hai lần chạy dùng cùng hạt giống, cùng môi trường và cấu hình tất định, kết quả mong đợi là gì?
- A.
  Các tham số và đường cong học có thể được tái tạo giống hệt.
- B.
  Chỉ loss cuối cùng chắc chắn giống nhau, còn trọng số có thể khác.
- C.
  Kết quả luôn khác nhau vì GPU luôn ngẫu nhiên.
- D.
  Thứ tự lô không ảnh hưởng đến kết quả.
Q 64.
Trong LightningDataModule, prepare_data() nên thực hiện công việc nào?
- A.
  Tải hoặc ghi dữ liệu thô ra đĩa mà không gán trạng thái dữ liệu cho đối tượng.
- B.
  Chia tập và gán self.mnist_train trên mọi GPU.
- C.
  Tính loss trên tập huấn luyện.
- D.
  Lưu checkpoint tốt nhất theo val_acc.
Q 65.
Trong LightningDataModule, setup(stage) nên làm gì?
- A.
  Đọc dữ liệu, tiền xử lý, chia tập và gán các thành phần cần thiết vào đối tượng.
- B.
  Chỉ tải tệp dữ liệu từ Internet.
- C.
  Khởi tạo trọng số mô hình.
- D.
  Tối ưu siêu tham số.
Q 66.
Các phương thức train_dataloader, val_dataloader, test_dataloader và predict_dataloader nên trả về gì?
- A.
  Một DataLoader tương ứng với từng tập.
- B.
  Một mô hình neural network đã huấn luyện.
- C.
  Một optimizer đã cấu hình.
- D.
  Một giá trị loss duy nhất.
Q 67.
Vai trò của teardown(stage) trong LightningDataModule là gì?
- A.
  Dọn dẹp tài nguyên sau một giai đoạn, chẳng hạn đóng tệp hoặc giải phóng bộ nhớ.
- B.
  Tối ưu hạt giống để đạt kết quả tốt nhất.
- C.
  Tạo checkpoint cuối cùng.
- D.
  Tính độ chính xác trên tập kiểm tra.
Q 68.
Khi huấn luyện với nhiều GPU, cách phân chia trách nhiệm nào là đúng?
- A.
  prepare_data chạy một lần trên một tiến trình; setup được gọi trên mọi tiến trình hoặc GPU.
- B.
  Cả prepare_data và setup đều chỉ chạy trên GPU số 0.
- C.
  Chia tập trong prepare_data và gán self trên mọi tiến trình.
- D.
  Không cần setup nếu đã dùng prepare_data.
Q 69.
Lợi ích của việc sử dụng tham số stage trong setup(stage) là gì?
- A.
  Chỉ tạo dữ liệu thật sự cần cho giai đoạn fit, validate, test hoặc predict.
- B.
  Tự đổi kiến trúc mô hình theo giai đoạn.
- C.
  Tắt hoàn toàn việc ghi nhật ký.
- D.
  Bảo đảm mọi GPU có cùng kiến trúc mô hình.
Q 70.
Để giữ cố định cách chia 55 000 ảnh huấn luyện và 5 000 ảnh kiểm định, cách làm nào phù hợp?
- A.
  Dùng random_split với Generator có hạt giống cố định.
- B.
  Chia theo thứ tự tuần tự mà không dùng bất kỳ hạt giống nào.
- C.
  Dùng cùng tập cho cả huấn luyện và kiểm định.
- D.
  Chia lại tập sau mỗi epoch bằng hạt giống ngẫu nhiên.
Q 71.
Cấu hình xáo trộn dữ liệu nên dùng cho các tập huấn luyện, kiểm định và kiểm tra là gì?
- A.
  Chỉ xáo trộn tập huấn luyện; giữ nguyên thứ tự của tập kiểm định và kiểm tra.
- B.
  Xáo trộn cả ba tập.
- C.
  Không xáo trộn tập nào.
- D.
  Chỉ xáo trộn tập kiểm tra.
Q 72.
Với drop_last=True, 55 000 ảnh và lô 64, mỗi epoch dùng bao nhiêu ảnh và tạo bao nhiêu lô?
- A.
  54 976 ảnh và 859 lô.
- B.
  55 000 ảnh và 860 lô.
- C.
  54 976 ảnh và 860 lô.
- D.
  55 000 ảnh và 859 lô.
Q 73.
Trong trường hợp nào drop_last=True đặc biệt hữu ích?
- A.
  Khi dùng BatchNorm hoặc huấn luyện nhiều GPU cần các lô cùng kích thước.
- B.
  Khi muốn đánh giá trên chính xác mọi ảnh trong tập kiểm tra.
- C.
  Khi muốn tăng số nhãn của mô hình.
- D.
  Khi không có tập kiểm định.
Q 74.
Để tránh rò rỉ dữ liệu khi chuẩn hóa đặc trưng, bộ chuẩn hóa n được được học trên đâu?
- A.
  Trên toàn bộ dữ liệu trước khi chia tập.
- B.
  Chỉ trên tập huấn luyện, rồi dùng tham số đó cho các tập khác.
- C.
  Trên tập kiểm tra vì đó là tập lớn nhất.
- D.
  Trên một tập ngẫu nhiên nhỏ chọn sau khi đánh giá.
Q 75.
Vai trò của self.log(...) trong LightningModule là gì?
- A.
  Gửi đại lượng đã tính đến logger của Trainer để theo dõi và so sánh.
- B.
  Thực hiện backward thủ công.
- C.
  Chuyển dữ liệu sang GPU.
- D.
  Tạo DataLoader.
Q 76.
Mặc định của on_step và on_epoch trong training_step và validation_step khác nhau như thế nào?
- A.
  Trong training_step: on_step=True, on_epoch=False; trong validation_step và test_step: on_step=False, on_epoch=True.
- B.
  Cả hai ngữ cảnh đều mặc định on_step=True, on_epoch=True.
- C.
  Cả hai ngữ cảnh đều mặc định on_step=False, on_epoch=False.
- D.
  Training_step mặc định theo epoch, validation_step mặc định theo bước.
Q 77.
Vì sao nhật ký CSV có các dòng chỉ chứa train_loss xen kẽ với các dòng chứa chỉ số kiểm định?
- A.
  Vì các đại lượng được ghi ở những thời điểm và tần suất khác nhau.
- B.
  Vì CSVLogger bỏ ngẫu nhiên một số cột.
- C.
  Vì Trainer chỉ hỗ trợ một loại chỉ số mỗi epoch.
- D.
  Vì mỗi epoch có số lô khác nhau.
Q 78.
Khi phân tích metrics.csv, cách nào tạo bảng mỗi epoch một dòng là phù hợp?
- A.
  Nhóm theo cột epoch và lấy trung bình các cột số, bỏ qua giá trị NaN.
- B.
  Giữ nguyên mọi dòng và coi mỗi dòng là một epoch.
- C.
  Chỉ lấy dòng cuối của toàn bộ tệp.
- D.
  Xóa tất cả dòng có NaN trước khi lưu.
Q 79.
Việc dùng save_hyperparameters(ignore=['model']) mang lại lợi ích gì?
- A.
  Lưu siêu tham số cấu hình vào hparams.yaml nhưng không làm checkpoint phình to do chứa cả đối tượng mô hình.
- B.
  Không lưu bất kỳ siêu tham số nào.
- C.
  Tự lưu checkpoint tốt nhất theo val_acc.
- D.
  Ngăn Trainer cập nhật trọng số mô hình.
Q 80.
Đặc điểm nổi bật của CSVLogger so với TensorBoardLogger là gì?
- A.
  CSVLogger tạo metrics.csv và hparams.yaml, thuận tiện phân tích bằng pandas.
- B.
  CSVLogger không thể dùng cùng TensorBoardLogger trong một Trainer.
- C.
  CSVLogger chỉ lưu checkpoint, không lưu chỉ số.
- D.
  TensorBoardLogger bắt buộc phải có tài khoản dịch vụ trực tuyến.
Q 81.
Khi đường cong học cho thấy train_loss tiếp tục giảm trong khi val_loss tăng, chẩn đoán phù hợp nhất là gì?
- A.
  Mô hình đang quá khớp tập huấn luyện.
- B.
  Mô hình chưa khớp và cần tăng số epoch.
- C.
  Tốc độ học chắc chắn bằng không.
- D.
  Ma trận nhầm lẫn đã được lưu sai.
Q 82.
Nếu cả train_loss và val_loss đều cao và gần nhau, nên chẩn đoán và hành động nào?
- A.
  Có thể mô hình chưa khớp; cân nhắc mô hình mạnh hơn, đặc trưng tốt hơn hoặc huấn luyện lâu hơn.
- B.
  Chắc chắn mô hình quá khớp nên cần tăng Dropout.
- C.
  Dùng tập kiểm tra để chọn epoch tốt nhất.
- D.
  Bỏ qua toàn bộ bộ kiểm định.
Q 83.
Checkpoint .ckpt của Lightning chứa nhiều thông tin hơn state_dict của PyTorch ở khía nào?
- A.
  Nó có thể chứa trọng số, trạng thái optimizer, lịch trình, epoch, global step, siêu tham số và thông tin callback.
- B.
  Nó chỉ chứa trọng số và không có siêu tham số.
- C.
  Nó chỉ chứa dữ liệu huấn luyện.
- D.
  Nó không thể được nạp bằng load_from_checkpoint.
Q 84.
Vì sao cần truyền model=pytorch_model khi gọi LightningModel.load_from_checkpoint trong ví dụ này?
- A.
  Vì đối tượng model đã bị ignore khi lưu siêu tham số nên checkpoint không chứa đối tượng kiến trúc đó.
- B.
  Vì Lightning không thể khôi phục tốc độ học.
- C.
  Vì checkpoint không chứa state_dict.
- D.
  Vì map_location không tự tạo kiến trúc mô hình.
Q 85.
Ý nghĩa của map_location='cpu' khi nạp checkpoint là gì?
- A.
  Nạp các tensor về CPU, giúp checkpoint tạo trên GPU vẫn dùng được trên máy không có GPU tương ứng.
- B.
  Xóa toàn bộ tốc độ học đã lưu.
- C.
  Buộc mô hình dùng BatchNorm.
- D.
  Ngăn nạp trọng số.
Q 86.
Khi dùng mô hình đã nạp để suy luận, vì sao cần gọi model.eval() và torch.inference_mode()?
- A.
  Để đặt mô hình ở chế độ đánh giá và không theo dõi gradient trong quá trình suy luận.
- B.
  Để mô hình tự tính lại accuracy trên tập kiểm tra.
- C.
  Để thay đổi kiến trúc mô hình sang CNN.
- D.
  Để đồng bộ số batch trong DataLoader.
Q 87.
Nguyên tắc quan trọng nhất khi tiền xử lý dữ liệu mới để dự đoán là gì?
- A.
  Dùng cùng chuỗi biến đổi, kích thước, số kênh và thang giá trị như lúc huấn luyện.
- B.
  Luôn chuyển ảnh về RGB và tăng kích thước lên 224 × 224.
- C.
  Chuẩn hóa bằng thống kê của từng ảnh mới nếu thuận tiện.
- D.
  Không cần thêm chiều lô vì model tự xử lý.
Q 88.
Nếu predict_step trả về một tensor dự đoán cho mỗi lô, trainer.predict thường trả về cấu trúc nào?
- A.
  Một danh sách tensor, mỗi phần tử tương ứng với một lô.
- B.
  Một số thực duy nhất làm tròn.
- C.
  Một đối tượng DataModule.
- D.
  Một optimizer mới.
Q 89.
Trong ma trận nhầm lẫn của bài toán phân loại, hàng và cột lần lượt biểu diễn gì?
- A.
  Hàng là nhãn dự đoán, cột là nhãn thật.
- B.
  Hàng là nhãn thật, cột là nhãn dự đoán; đường chéo là các dự đoán đúng.
- C.
  Hàng là batch, cột là epoch.
- D.
  Cả hàng và cột đều là nhãn dự đoán.
Q 90.
Theo ma trận nhầm lẫn trong bài, cặp nhầm lẫn thường xuyên nhất là gì?
- A.
  Chữ số 4 thật bị đoán thành 9, với 18 ảnh.
- B.
  Chữ số 7 thật bị đoán thành 1, với 18 ảnh.
- C.
  Chữ số 9 thật bị đoán thành 3, với 18 ảnh.
- D.
  Chữ số 4 thật bị đoán thành 6, với 18 ảnh.
Q 91.
Nguyên tắc đúng khi chọn checkpoint và đánh giá mô hình là gì?
- A.
  Chọn checkpoint tốt nhất theo tập kiểm định và chỉ dùng tập kiểm tra ở bước đánh giá cuối.
- B.
  Chọn checkpoint có test_acc cao nhất rồi báo cáo lại test_acc đó.
- C.
  Chọn theo train_loss thấp nhất vì không thể dùng tập kiểm định.
- D.
  Đánh giá tập kiểm tra sau mỗi epoch để theo dõi tốt nhất.
Q 92.
Callback trong Lightning được hiểu chính xác là gì?
- A.
  Một đoạn mã độc lập gắn vào các hook của quá trình huấn luyện để bổ sung hoặc theo dõi hành vi.
- B.
  Một loại DataLoader chỉ dùng để kiểm tra.
- C.
  Một optimizer thay thế cho configure_optimizers.
- D.
  Một kiến trúc mạng thay thế nn.Module.
Q 93.
Cấu hình ModelCheckpoint nào phù hợp để giữ một checkpoint có val_acc tốt nhất?
- A.
  monitor='val_acc', mode='max', save_top_k=1.
- B.
  monitor='val_acc', mode='min', save_top_k=1.
- C.
  monitor='valid_acc', mode='max', save_top_k=1.
- D.
  monitor='test_acc', mode='max', save_top_k=1.
Q 94.
Với EarlyStopping có monitor='val_acc', mode='max', patience=3, Trainer dừng khi nào?
- A.
  Ngay sau epoch đầu tiên nếu val_acc chưa đạt 100%.
- B.
  Khi val_acc không cải thiện trong 3 epoch liên tiếp.
- C.
  Khi train_loss không còn giảm sau đúng 3 bước.
- D.
  Sau 3 epoch bất kể val_acc thay đổi thế nào.
Q 95.
Theo phép thử thực tế, một đoạn mã nên được đặt trong callback thay vì LightningModule khi nào?
- A.
  Khi đoạn mã đó cần thiết để mô hình học đúng, chẳng hạn hàm mất mát.
- B.
  Khi bỏ đoạn mã đó, mô hình vẫn huấn luyện đúng nhưng thiếu chức năng bổ sung.
- C.
  Khi đoạn mã đó chỉ dùng để tạo DataLoader.
- D.
  Luôn luôn, bất kể mục đích của đoạn mã.
Q 96.
Thứ tự hook nào trong một epoch là đúng?
- A.
  on_train_epoch_end, rồi validation, rồi on_train_epoch_start.
- B.
  on_train_epoch_start, các bước huấn luyện, kiểm định, rồi on_validation_epoch_end và on_train_epoch_end.
- C.
  validation, on_train_epoch_start, on_train_epoch_end, rồi huấn luyện.
- D.
  on_train_epoch_end, rồi on_validation_epoch_start và on_validation_epoch_end.
Q 97.
Khi tự viết callback đo thời gian huấn luyện, cách import và hook nào phù hợp?
- A.
  Kế thừa Callback từ lightning.pytorch.callbacks, rồi dùng on_train_start và on_train_end với trainer, pl_module.
- B.
  Kế thừa Dataset từ torchvision và dùng len.
- C.
  Kế thừa Optimizer và dùng step.
- D.
  Dùng một hàm không có lớp để gọi sau mỗi batch.
Q 98.
Cấu hình nào tránh được đồng thời hai lỗi thường gặp là tên chỉ số không khớp và hạt giống đặt quá muộn?
- A.
  Dùng monitor='valid_acc' và gọi torch.manual_seed sau khi tạo mô hình.
- B.
  Dùng một metric chung cho mọi tập và đặt hạt giống ở cuối chương trình.
- C.
  Dùng monitor='val_acc' khớp với tên đã log và đặt seed_everything trước khi tạo dữ liệu, mô hình.
- D.
  Không dùng checkpoint và không đặt hạt giống.
Q 99.
Cấu trúc dự án nào phù hợp nhất với tổ chức mã Lightning trong bài?
- A.
  Một tệp duy nhất chứa model, dữ liệu, huấn luyện, callback và đánh giá.
- B.
  Các tệp data.py, model.py, callbacks.py, train.py, evaluate.ipynb và thư mục logs; dùng thống nhất gói lightning.
- C.
  Tách tệp nhưng trộn callback của pytorch_lightning với Trainer của lightning.
- D.
  Đặt LightningDataModule trong model.py và Trainer trong data.py.
Q 100.
Trình tự triển khai nào cho một thí nghiệm hoàn chỉnh là hợp lý nhất?
- A.
  Tạo Trainer trước, chọn checkpoint theo test_acc, rồi mới đặt hạt giống và huấn luyện.
- B.
  Đặt hạt giống, tạo DataModule và LightningModule, cấu hình Trainer cùng ModelCheckpoint theo val_acc, gọi fit, rồi test checkpoint tốt nhất một lần.
- C.
  Dùng chung một metric cho train, validation và test, sau đó đánh giá lại tập kiểm tra nhiều lần để chọn kết quả.
- D.
  Dùng torch.save(model.state_dict()) rồi không cần kiểm tra lại mô hình sau khi nạp.

Answers and explanations are in mode.

Chủ đề 5: Tổ chức mã nguồn với PyTorch Lightning

Exam info

Questions (100)

Similar Học sâu ứng dụng exams