Kvíz spojený s průvodcem · Střední úroveň

Slurm pro kvíz AI Training Clusters

Kontroluje dávkové, GPU a distribuované spouštěcí příkazy Slurmu, plánovací komponenty, chování zálohování a obnovu s ohledem na kontrolní body.

Související vodicí cestySlurm pro AI školení Clustery
Otázka 1 z 8

Jaký příkaz uživatelé obvykle používají k odeslání dávkové úlohy společnosti Slurm?

Náhled každé otázky8 otázky

Odpovědi a vysvětlení se zobrazují, jak budete v kvízu.

  1. Jaký příkaz uživatelé obvykle používají k odeslání dávkové úlohy společnosti Slurm?
    • dávka
    • kubectl aplikovat
    • docker spustit
    • git push
  2. Jak úloha Slurm požaduje GPU?
    • Úpravou DNS záznamů
    • Prostřednictvím direktivy --gres=gpu
    • Pouze prostřednictvím webového formuláře
    • V Slurmu nelze požadovat GPU
  3. Která složka slurmu dělá centrální rozhodnutí o plánování?
    • špinavý
    • běžet
    • slurmctld
    • dávka
  4. Why can srun help launch distributed training tasks inside a Slurm allocation?
    • It automatically restores every model checkpoint
    • It replaces slurmctld as the scheduler
    • It converts a single GPU into multiple physical GPUs
    • It launches coordinated tasks across allocated nodes; the training setup may still need explicit DDP configuration
  5. Jaký je účel plánování zálohování ve Slurmu?
    • Spouštění krátkých úloh v nečinných mezerách bez zdržování práce s vyšší prioritou
    • Chcete-li odstranit staré úlohy
    • K přetaktování GPU
    • Pro šifrování protokolů úloh
  6. What must an AI training script do so a requeued Slurm job can continue after a node failure?
    • Assume Slurm stores model weights automatically
    • Save checkpoints and reload them when the job restarts
    • Disable resource accounting
    • Submit a new job without restoring state
  7. Which Slurm daemon normally runs on each compute node to launch tasks and report node status?
    • slurmctld
    • sbatchd
    • špinavý
    • gresctl
  8. What can Slurm resource accounting help cluster administrators track?
    • The model’s validation accuracy automatically
    • The semantic content of training data
    • Whether every checkpoint is scientifically valid
    • Job resource use such as allocated CPUs, GPUs and time