Kvíz spojený s průvodcem · Střední úroveň
Kvíz o gradientním kontrolním bodování
Vysvětluje rematerializaci aktivace, úsporu paměti, režii výpočtu závislou na plánu a kombinace se shardingem a smíšenou přesností.
Otázka 1 z 8
S čím se přechodový checkpointing primárně obchoduje za účelem úspory paměti?
Náhled každé otázky8 otázky
Odpovědi a vysvětlení se zobrazují, jak budete v kvízu.
- S čím se přechodový checkpointing primárně obchoduje za účelem úspory paměti?
- Extra výpočet (přepočet) pro nižší využití paměti
- Přesnost modelu pro rychlost
- Místo na disku pro šířku pásma sítě
- Přesnost pro velikost šarže
- Proč se aktivace normálně ukládají během dopředného průchodu?
- Chcete-li je zobrazit uživateli
- Protože backpropagation je potřebuje k výpočtu gradientů
- Pro urychlení načítání dat
- Ve skutečnosti nejsou nikdy potřeba
- In a simplified chain of N similarly sized layers, what can checkpoint boundaries spaced about sqrt(N) layers apart achieve in the textbook schedule?
- It stores no activations and performs no recomputation
- It guarantees constant memory for every model graph
- Activation storage can scale on the order of sqrt(N) checkpoints
- It makes optimizer-state memory scale as sqrt(N)
- What most determines gradient-checkpointing runtime overhead in a practical model?
- Only the model’s file extension
- A fixed 20–30% slowdown for every model
- The number of labels in the dataset
- Which operations are recomputed, checkpoint placement, graph structure, and hardware
- Která utilita se v PyTorch běžně používá k aplikaci přechodového kontrolního bodu na modul?
- torch.utils.checkpoint
- pochodeň.optim.SGD
- torch.nn.Dropout
- torch.cuda.empty_cache
- What happens to operations inside a checkpointed region during backward?
- Their gradients are skipped entirely
- Their forward computations are rerun to regenerate needed activations
- Their weights are permanently discarded
- They are executed only during inference
- Which training techniques can be combined with activation checkpointing to reduce different memory costs?
- Only increasing the number of labels
- Turning off backpropagation
- FSDP for sharded model state and mixed precision for lower-precision tensors
- Replacing the model with a tokenizer
- What is selective activation checkpointing intended to choose?
- Which training labels are removed
- Which model outputs are published
- Which GPU becomes the tokenizer
- Which operations to save and which to recompute based on their memory and runtime costs