Тест, свързан с ръководство · Среден Ниво

Тест за тензорни ядра

Обхваща матрични операции на Tensor Core, натрупване със смесена точност, софтуерно подреждане и специфични за архитектурата числови формати.

Свързани ръководни пътекиТензорни ядра
Въпрос 1 на 8

Коя основна математическа операция са специално проектирани да ускоряват Tensor Cores?

Визуализирайте всеки въпрос8 въпроси

Отговорите и обясненията се появяват, докато отговаряте на теста.

  1. Коя основна математическа операция са специално проектирани да ускоряват Tensor Cores?
    • Матрица за умножение и натрупване (D = A x B + C)
    • Сортиране на големи списъци с числа
    • Генериране на случайни числа
    • Шифроване и декриптиране на данни
  2. Коя GPU архитектура на NVIDIA за първи път представи тензорни ядра?
    • Паскал
    • Волта
    • Тюринг
    • Максуел
  3. Защо тензорните ядра често използват намалена точност като FP16 или FP8?
    • Законът изисква по-ниска точност за AI
    • По-висока прецизност е невъзможна за GPU
    • Позволява да се обработват повече числа на такт, като повишава производителността, като същевременно поддържа приемлива точност
    • Това прави чипа физически по-малък
  4. За да се запази точността, каква точност обикновено използват тензорните ядра за текущата сума (натрупване)?
    • Същата ниска точност като входовете
    • Не се извършва натрупване
    • Само цяло число без дроби
    • По-висока точност като FP32
  5. Как ежедневните AI рамки като PyTorch използват Tensor Cores?
    • Библиотеки като cuBLAS и cuDNN автоматично подреждат големи матрици в малки блокове, които ядрата могат да обработват
    • Разработчиците трябва да напишат на ръка асемблиране за всеки модел
    • Tensor Cores работят само с персонализиран хардуер, който софтуерът не може да достигне
    • Те изобщо не могат да се използват от рамки на високо ниво
  6. Кой по-нов цифров формат е добавила архитектурата Blackwell, за да увеличи пропускателната способност на извода още по-високо?
    • FP64 (двойна точност)
    • FP4 (4-битова плаваща запетая)
    • ASCII
    • FP128
  7. Why should a team validate model quality when changing Tensor Core input precision?
    • Reduced precision guarantees identical outputs
    • The model’s vocabulary changes automatically
    • Lower-precision arithmetic can change numerical results, so accuracy should be checked for the task
    • Tensor Cores remove all rounding effects
  8. Which computer-vision feature is a practical example of Tensor Core acceleration?
    • A database index with no matrix operations
    • A file compressor that never runs a neural network
    • A CPU-only spreadsheet calculation
    • Neural upscaling such as NVIDIA DLSS in games