اختبار مرتبط بالدليل · متوسط المستوى

مسابقة التدريب الدقيق المختلط

يغطي نطاق FP16 وقياس الخسارة، وbfloat16، والأوزان الرئيسية، والبث التلقائي، وتراكم Tensor Core، والمكاسب المعتمدة على الأجهزة المُقاسة.

مسارات الدليل ذات الصلةالتدريب الدقيق المختلط
سؤال 1 من 8

In an FP16 training recipe that keeps an FP32 master weight, why retain it?

معاينة كل سؤال8 أسئلة

تظهر الإجابات والتفسيرات أثناء إجراء الاختبار.

  1. In an FP16 training recipe that keeps an FP32 master weight, why retain it?
    • للحفاظ على الدقة في تحديثات الوزن الصغيرة التي يمكن تقريبها بمقدار 16 بت
    • لتصغير حجم ملف النموذج على القرص
    • للسماح بالتدريب بدون GPU
    • لتشفير معلمات النموذج
  2. ما هي المشكلة التي يحلها قياس الخسارة في تدريب FP16؟
    • نماذج تبالغ في تجهيز البيانات
    • التدرجات تتدفق إلى الصفر لأن نطاق FP16 ضيق
    • نفاد مساحة القرص على وحدات معالجة الرسومات
    • بطء تحميل البيانات من القرص
  3. ما هي الميزة التي يتمتع بها bfloat16 على FP16؟
    • يستخدم عددًا أقل من البتات الإجمالية
    • يقوم بتخزين النص بدلاً من الأرقام
    • وله نفس نطاق الأس الواسع مثل FP32، مما يقلل الحاجة إلى قياس الخسارة
    • إنه يعمل فقط على وحدات المعالجة المركزية (CPUs).
  4. For many supported Tensor Core matrix operations, how are partial sums commonly accumulated?
    • In integer arithmetic with no rounding
    • In text before converting to FP16
    • In FP16 only, which prevents every numerical error
    • In FP32, which reduces rounding error compared with low-precision accumulation
  5. What is a common benefit of using 16-bit values for supported training operations?
    • They can reduce tensor memory and improve throughput, with gains depending on hardware and workload
    • They guarantee higher model accuracy
    • They remove the need to compute gradients
    • They always double end-to-end training speed
  6. Which current PyTorch APIs are commonly used for automatic mixed-precision training?
    • torch.cuda.amp only, which is the recommended new namespace
    • torch.amp.autocast and, for FP16 gradient scaling, torch.amp.GradScaler
    • torch.load and torch.save
    • torch.nn.DataParallel and torch.manual_seed
  7. Why does bfloat16 often need less loss scaling than FP16?
    • It has more mantissa bits than FP32
    • It stores gradients as integers
    • It has an exponent range like FP32, so very small gradients are less likely to underflow
    • It never rounds values
  8. What does autocast do in automatic mixed precision?
    • Converts every tensor and operation to FP16 unconditionally
    • Replaces the optimizer with a different algorithm
    • Guarantees identical bitwise results to FP32
    • Selects operation dtypes so supported operations can use lower precision while others retain safer precision