Тест за паралелизъм на данни

Отговорите и обясненията се появяват, докато отговаряте на теста.

1. При стандартния паралелизъм на данните, какво съдържа всеки GPU?
   • Пълно копие на модела, обработващо различен отрязък от партидата
   • Различен отрязък от слоевете на модела
   • Само състоянието на оптимизатора, с тегла, съхранявани централно
   • Компресирана версия на модела с по-малко параметри
2. Коя комуникационна операция поддържа репликите на модела в синхрон на всяка стъпка?
   • Излъчване, което копира данните на един графичен процесор към всички останали
   • All-reduce, което усреднява градиентите за всички GPU
   • Scatter, който разделя данните между GPU
   • Не е необходима комуникация между GPU
3. What memory limit remains in plain data parallelism?
   • The full model is sharded automatically across the GPUs
   • Only the input batch uses device memory
   • Each GPU keeps model parameters and optimizer state replicated, limiting the model size that fits
   • Each worker stores different model layers by default
4. Which factors does NCCL use when selecting collective algorithms?
   • Only the random seed and learning rate
   • Only the total number of model parameters
   • The optimizer type and validation score
   • Message size and topology
5. Как PyTorch DistributedDataParallel скрива латентността на комуникацията?
   • Чрез припокриване на градиента, цялото намаляване с продължаващото преминаване назад
   • Чрез пропускане на синхронизирането на градиента на редуващи се стъпки
   • Чрез компресиране на всички градиенти до едно число
   • Чрез стартиране на предния пас на процесора
6. With equal local batch size B on each of W data-parallel workers, what is the global batch for one synchronized step?
   • B divided by W
   • B multiplied by W, before any gradient-accumulation factor
   • Always exactly W samples
   • The model parameter count divided by B
7. Why may adding more data-parallel GPUs fail to increase throughput proportionally?
   • All-reduce makes model parameters disappear
   • The model is copied only to one worker
   • Gradient communication, data loading, and synchronization add overhead
   • More workers always reduce the global batch to zero
8. What does gradient accumulation let a data-parallel training loop do?
   • Shard parameters automatically across all workers
   • Skip forward and backward computation
   • Replace the model with an all-reduce operation
   • Combine gradients from multiple microbatches before an optimizer update