Kvíz spojený s průvodcem · Střední úroveň
Kvíz plánování GPU a clusterové organizace
Procvičte si požadavky na zdroje GPU, plánování gangů a umístění topologie, včetně toho, jak zásady preempce a spravedlivého sdílení ovlivňují sdílené školicí clustery.
Otázka 1 z 8
Why coordinate resource admission for a fixed-size distributed training worker group?
Náhled každé otázky8 otázky
Odpovědi a vysvětlení se zobrazují, jak budete v kvízu.
- Why coordinate resource admission for a fixed-size distributed training worker group?
- To guarantee every process starts at exactly the same nanosecond
- To guarantee the model converges
- To remove all worker communication
- To reduce partial-start situations where workers wait for unavailable peers
- How does Kubernetes normally express a device-plugin GPU resource request?
- As arbitrary fractions of CPU clock cycles
- As an integer count of advertised device resources
- As a DNS hostname only
- As a string of model output tokens
- Co se plánování s ohledem na topologii snaží optimalizovat?
- Rozložení pracovních míst co nejdále od sebe
- Minimalizace počtu uživatelů
- Umístění komunikačních pozic na rychlá propojení, jako je NVLink
- Výběr nejlevnějšího dodavatele elektřiny
- Který doplněk se běžně používá s Kubernetes pro dávkové a skupinové plánování úloh AI?
- Sopka
- Apache Kafka
- Redis
- Grafana
- What must a training application provide if a preempted job should resume its previous progress?
- A guarantee that preemption saves optimizer state automatically
- A usable checkpoint and recovery procedure
- A renamed pod with no saved state
- A higher learning rate for its first resumed step
- Jaká je role fair-share kvót ve sdíleném klastru?
- Zaručit, že vždy vyhraje jeden tým
- Chcete-li vypnout plánovač
- Aby se zabránilo jakémukoli jedinému týmu monopolizovat všechny GPU
- Pro urychlení jedné úlohy
- A fixed worker group needs eight GPU resources but only four are available. What can group admission accomplish?
- Keep the group pending until its configured minimum requirements can be met
- Invent the missing four GPU devices
- Turn every worker into a CPU process without configuration
- Guarantee completion even with no admitted workers
- Two communicating GPU jobs fit the same resource counts on different nodes. Why consider topology as well?
- The resource count alone fixes every transfer latency
- Topology determines the training labels
- Only node names affect all-reduce outputs
- Interconnect placement affects communication costs between their workers