Kvíz spojený s průvodcem · Střední úroveň

Kvíz o rozdělení GPU na více instancích

Použijte profily MIG, zdroje instancí GPU versus výpočetní zařízení a vystavení zařízení, včetně toho, proč podporovaný hardware určuje volby oddílů.

Související vodicí cestyVíceinstancové rozdělení GPU
Otázka 1 z 8

Which resource boundary distinguishes separate MIG GPU Instances from software time slicing?

Náhled každé otázky8 otázky

Odpovědi a vysvětlení se zobrazují, jak budete v kvízu.

  1. Which resource boundary distinguishes separate MIG GPU Instances from software time slicing?
    • Only a different process priority on one shared execution queue
    • A guaranteed absence of every host or device failure
    • A separate network cable for every CUDA kernel
    • Dedicated hardware compute and memory resources for each GPU Instance
  2. Na jaké architektuře NVIDIA byl MIG poprvé představen?
    • Volta
    • Ampér (A100)
    • Turing
    • Pascal
  3. On an A100 40 GB using supported small-instance profiles, how many GPU Instances can a layout provide?
    • Exactly sixteen on every supported GPU
    • Exactly two regardless of profile
    • Up to seven
    • An unlimited number with no memory limits
  4. Co v profilu MIG, jako je „1g.5gb“, představuje „5gb“?
    • Paměť přidělená této instanci
    • Počet SM
    • Šířka pásma PCIe
    • Rychlost hodin
  5. Pro jaké pracovní zatížení je MIG obzvláště vhodný?
    • Jediný masivní trénink vyžadující celé GPU
    • Inference pro více nájemců s předvídatelnou latencí
    • Předzpracování dat vázaných na CPU
    • Dlouhodobé skladování v chladu
  6. Jak může cluster Kubernetes vystavit instance MIG podům?
    • Jako nezpracované diskové svazky
    • Pouze přes ruční SSH
    • Jako plánovatelné zdroje jako 'nvidia.com/mig-1g.5gb'
    • Prostřednictvím DNS záznamů
  7. Two Compute Instances belong to the same MIG GPU Instance. Which resources do they share?
    • Their parent GPU Instance’s memory resources
    • Only a remote CPU’s filesystem
    • Separate complete copies of physical GPU memory
    • Every compute slice on unrelated GPUs
  8. A team wants to deploy a named MIG profile on a new GPU model. What should it check first?
    • That every NVIDIA GPU supports identical profiles
    • That the model parameter count is an even integer
    • That the Kubernetes pod name contains the profile text
    • That the GPU supports MIG and that exact profile layout