Тест, свързан с ръководство · трудно Ниво

Тест за програмиране на CUDA и GPU

Проверете основните концепции на CUDA, включително ядра, SIMT изпълнение, достъп до паметта, споделена памет и инструменти за програмиране на GPU от по-високо ниво.

Свързани ръководни пътекиCuda и GPU програмиране
Въпрос 1 на 8

В терминологията на CUDA, какво е „ядро“?

Визуализирайте всеки въпрос8 въпроси

Отговорите и обясненията се появяват, докато отговаряте на теста.

  1. В терминологията на CUDA, какво е „ядро“?
    • Функция, изпълнявана паралелно от много GPU нишки
    • Ядрото на операционната система
    • Вид чип памет
    • Охладителната система на GPU
  2. Какво означава моделът за изпълнение на SIMT?
    • Бавно въвеждане, много прехвърляния
    • Единична инструкция, множество нишки изпълняват една и съща инструкция върху различни данни
    • Единично изображение, множество текстури
    • Последователни инструкции, ръчно синхронизиране
  3. Защо PyTorch и TensorFlow рядко изискват от потребителите да пишат необработен CUDA?
    • Графичните процесори не могат да изпълняват потребителски код
    • CUDA е незаконно да се използва директно
    • Те наричат оптимизирани CUDA библиотеки като cuDNN и cuBLAS вътрешно
    • Те работят само на процесори
  4. Какво е „варп дивергенция“ и защо вреди на производителността?
    • Мрежова грешка, която изхвърля пакети
    • Графичният процесор се огъва физически под въздействието на топлина
    • Грешка, която изтрива паметта
    • Нишките в една основа вземат различни разклонения и трябва да работят последователно
  5. Защо „обединеният“ достъп до паметта е важен в CUDA?
    • Четенето на съседни нишки на съседни адреси е много по-ефективно
    • Той криптира данните автоматично
    • Освобождава място на диска
    • Деактивира вентилаторите на GPU
  6. What is OpenAI Triton in relation to CUDA programming?
    • A CUDA driver that replaces NVIDIA GPUs
    • A Python-like language and compiler for writing efficient GPU kernels
    • A model-serving server that only loads TensorFlow checkpoints
    • A framework that converts GPUs into CPUs
  7. What does a CUDA kernel launch configuration specify?
    • A model tokenizer vocabulary
    • The number of training labels
    • The grid and block dimensions used to organize thread execution
    • The host operating system
  8. Why might a CUDA kernel use shared memory?
    • To make data available across every cluster without communication
    • To replace all registers
    • To store the model permanently on the GPU
    • To let threads in a block reuse data from a faster on-chip memory space