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.

Související vodicí cestyPřechodový kontrolní bod
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.

  1. 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
  2. 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
  3. 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)
  4. 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
  5. 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
  6. 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
  7. 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
  8. 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