Kvíz spojený s průvodcem · Střední úroveň

Kvíz Kubernetes for ML Workloads

Použijte umístění podů Kubernetes ML, zdroje zařízení GPU a tolerance znečištění, včetně toho, proč distribuované školení potřebuje vhodnou kapacitu pro každý uzel.

Související vodicí cestyKubernetes pro ML Workloads
Otázka 1 z 8

Jaká je primární úloha plánovače Kubernetes pro úlohy ML?

Náhled každé otázky8 otázky

Odpovědi a vysvětlení se zobrazují, jak budete v kvízu.

  1. Jaká je primární úloha plánovače Kubernetes pro úlohy ML?
    • Psaní školícího kódu pro datové vědce
    • Rozhodnutí, který uzel v clusteru spustí každý kontejnerovaný pod
    • Automatické označování tréninkových dat
    • Výběr architektury neuronové sítě
  2. Jak Kubernetes obvykle zpřístupňuje GPU modulu?
    • Prostřednictvím zásuvných modulů zařízení, které inzerují zdroje, jako je nvidia.com/gpu
    • Odesláním e-mailu dodavateli GPU o licenci
    • V Kubernetes nelze použít GPU
    • Převedením jader CPU na GPU za běhu
  3. With a NoSchedule taint on a GPU node, what does a matching pod toleration do?
    • Forces the pod onto that node regardless of capacity
    • Changes the model’s optimizer
    • Allows the pod to be considered for that node without guaranteeing placement
    • Encrypts every GPU tensor
  4. Který nástroj přidává nad Kubernetes funkce specifické pro ML, jako jsou operátory distribuovaného školení?
    • Slovo Microsoft
    • Apache pro obsluhu statických webových stránek
    • Makro tabulky
    • Kubeflow
  5. Proč je Kubernetes vhodný pro náročné ML úlohy?
    • Plánuje úlohy na volné zdroje a po dokončení úloh uvolní tento hardware
    • Trvale rezervuje všechny GPU pro jednoho uživatele
    • Zabraňuje tomu, aby se jakákoliv úloha někdy zmenšila
    • Spouští pouze jeden kontejner na cluster
  6. Co znamená „škálování koncového bodu odvození na nulu“ na Kubernetes?
    • Trvalé smazání modelu
    • Nastavení přesnosti na nula procent
    • Spuštění nulových kopií, když není žádný provoz, a následné spuštění při dalším požadavku
    • Snížení parametrů modelu na nulu
  7. One ML pod requests four GPUs, while two nodes each have only two available. Can ordinary scheduling combine those nodes for that one pod?
    • Yes; every pod automatically spans all cluster nodes
    • Yes; the scheduler converts CPU cores into the missing GPUs
    • Only if the pod name contains the word distributed
    • No; the pod must fit on one eligible node
  8. An inference service scales to zero while idle. Which user-facing delay should its team test when traffic resumes?
    • The training-set labeling speed
    • Cold-start delay while a serving replica becomes ready
    • The file size of an unrelated notebook
    • The number of discarded vocabulary tokens