Тест, свързан с ръководство · Среден Ниво

Тест за разделяне на GPU с няколко инстанции

Приложете MIG профили, GPU-versus-compute ресурси за екземпляри и излагане на устройството, включително защо поддържаният хардуер определя избора на дял.

Свързани ръководни пътекиМногоекземплярно разделяне на GPU
Въпрос 1 на 8

Which resource boundary distinguishes separate MIG GPU Instances from software time slicing?

Визуализирайте всеки въпрос8 въпроси

Отговорите и обясненията се появяват, докато отговаряте на теста.

  1. Which resource boundary distinguishes separate MIG GPU Instances from software time slicing?
    • Only a different process priority on one shared execution queue
    • A guaranteed absence of every host or device failure
    • A separate network cable for every CUDA kernel
    • Dedicated hardware compute and memory resources for each GPU Instance
  2. На коя архитектура на NVIDIA е представен за първи път MIG?
    • Волта
    • Ампер (A100)
    • Тюринг
    • Паскал
  3. On an A100 40 GB using supported small-instance profiles, how many GPU Instances can a layout provide?
    • Exactly sixteen on every supported GPU
    • Exactly two regardless of profile
    • Up to seven
    • An unlimited number with no memory limits
  4. В MIG профил като „1g.5gb“, какво представлява „5gb“?
    • Паметта, разпределена за този екземпляр
    • Броят на SMS-ите
    • PCIe честотната лента
    • Скоростта на часовника
  5. За какво работно натоварване е особено подходящ MIG?
    • Едно масивно тренировъчно изпълнение, което се нуждае от целия GPU
    • Обслужване на извод за множество наематели с предвидима латентност
    • Обвързана с процесора предварителна обработка на данни
    • Дългосрочно хладилно съхранение
  6. Как клъстер на Kubernetes може да изложи екземпляри на MIG на подове?
    • Като необработени дискови томове
    • Само чрез ръчен SSH
    • Като планирани ресурси като „nvidia.com/mig-1g.5gb“
    • Чрез DNS записи
  7. Two Compute Instances belong to the same MIG GPU Instance. Which resources do they share?
    • Their parent GPU Instance’s memory resources
    • Only a remote CPU’s filesystem
    • Separate complete copies of physical GPU memory
    • Every compute slice on unrelated GPUs
  8. A team wants to deploy a named MIG profile on a new GPU model. What should it check first?
    • That every NVIDIA GPU supports identical profiles
    • That the model parameter count is an even integer
    • That the Kubernetes pod name contains the profile text
    • That the GPU supports MIG and that exact profile layout