Тест, свързан с ръководство · Среден Ниво

Тест за работни натоварвания на Kubernetes за ML

Приложете разположението на Kubernetes ML pod, ресурсите на GPU устройството и толерантностите за замърсяване, включително защо разпределеното обучение се нуждае от подходящ капацитет на възел.

Свързани ръководни пътекиKubernetes за ML работни натоварвания
Въпрос 1 на 8

Каква е основната задача на Kubernetes Scheduler за работни натоварвания на ML?

Визуализирайте всеки въпрос8 въпроси

Отговорите и обясненията се появяват, докато отговаряте на теста.

  1. Каква е основната задача на Kubernetes Scheduler за работни натоварвания на ML?
    • Писане на код за обучение за специалисти по данни
    • Решаване кой възел в клъстера изпълнява всеки контейнеризиран под
    • Автоматично етикетиране на данните за обучение
    • Избор на архитектура на невронна мрежа
  2. Как Kubernetes обикновено прави графичните процесори достъпни за под?
    • Чрез добавки за устройства, които рекламират ресурси като nvidia.com/gpu
    • Като изпратите имейл до доставчика на GPU за лиценз
    • Графичните процесори не могат да се използват в Kubernetes
    • Чрез преобразуване на CPU ядра в GPU по време на изпълнение
  3. With a NoSchedule taint on a GPU node, what does a matching pod toleration do?
    • Forces the pod onto that node regardless of capacity
    • Changes the model’s optimizer
    • Allows the pod to be considered for that node without guaranteeing placement
    • Encrypts every GPU tensor
  4. Кой инструмент добавя специфични за ML възможности като оператори за разпределено обучение върху Kubernetes?
    • Microsoft Дума
    • Apache за обслужване на статични уеб страници
    • Макрос за електронна таблица
    • Kubeflow
  5. Защо Kubernetes е много подходящ за бурни натоварвания на ML?
    • Той планира задания върху безплатни ресурси и освобождава този хардуер, когато заданията приключат
    • Той постоянно запазва всички графични процесори за един потребител
    • Това предотвратява намаляването на мащаба на която и да е работа
    • Той изпълнява само един контейнер на клъстер
  6. Какво означава „мащабиране на крайна точка за извод до нула“ в Kubernetes?
    • Изтриване на модела за постоянно
    • Задаване на точност до нула процента
    • Пускане на нула копия, когато няма трафик, след което се върти при следващата заявка
    • Намаляване на параметрите на модела до нула
  7. One ML pod requests four GPUs, while two nodes each have only two available. Can ordinary scheduling combine those nodes for that one pod?
    • Yes; every pod automatically spans all cluster nodes
    • Yes; the scheduler converts CPU cores into the missing GPUs
    • Only if the pod name contains the word distributed
    • No; the pod must fit on one eligible node
  8. An inference service scales to zero while idle. Which user-facing delay should its team test when traffic resumes?
    • The training-set labeling speed
    • Cold-start delay while a serving replica becomes ready
    • The file size of an unrelated notebook
    • The number of discarded vocabulary tokens