Kvíz spojený s průvodcem · Střední úroveň

Kvíz Tensor Cores

Zahrnuje operace s maticí Tensor Core, akumulaci se smíšenou přesností, skládání softwaru a číselné formáty specifické pro architekturu.

Související vodicí cestyTenzorová jádra
Otázka 1 z 8

Jaké základní matematické operace jsou speciálně navrženy pro urychlení Tensor Cores?

Náhled každé otázky8 otázky

Odpovědi a vysvětlení se zobrazují, jak budete v kvízu.

  1. Jaké základní matematické operace jsou speciálně navrženy pro urychlení Tensor Cores?
    • Maticové násobení a akumulace (D = A x B + C)
    • Třídění velkých seznamů čísel
    • Generování náhodných čísel
    • Šifrování a dešifrování dat
  2. Která architektura GPU NVIDIA poprvé představila Tensor Cores?
    • Pascal
    • Volta
    • Turing
    • Maxwell
  3. Proč jádra Tensor často používají sníženou přesnost jako FP16 nebo FP8?
    • Nižší přesnost je pro AI vyžadována zákonem
    • Vyšší přesnost na GPU není možná
    • Umožňuje zpracovat více čísel za takt, čímž zvyšuje propustnost při zachování přijatelné přesnosti
    • Čip je fyzicky menší
  4. Jakou přesnost typicky používají jádra Tensor Cores pro zachování přesnosti pro průběžný součet (akumulaci)?
    • Stejně nízká přesnost jako vstupy
    • Žádná akumulace se neprovádí
    • Pouze celé číslo bez zlomků
    • Vyšší přesnost, jako je FP32
  5. Jak každodenní rámce umělé inteligence jako PyTorch využívají Tensor Cores?
    • Knihovny jako cuBLAS a cuDNN automaticky rozkládají velké matice do malých bloků, které mohou jádra zpracovat
    • Vývojáři musí ručně napsat sestavu pro každý model
    • Tensor Cores fungují pouze s vlastním hardwarem, který žádný software nedosáhne
    • Nemohou je vůbec používat rámce na vysoké úrovni
  6. Který novější číselný formát přidala architektura Blackwell, aby se propustnost odvození ještě zvýšila?
    • FP64 (dvojitá přesnost)
    • FP4 (4bitová plovoucí desetinná čárka)
    • ASCII
    • FP128
  7. Why should a team validate model quality when changing Tensor Core input precision?
    • Reduced precision guarantees identical outputs
    • The model’s vocabulary changes automatically
    • Lower-precision arithmetic can change numerical results, so accuracy should be checked for the task
    • Tensor Cores remove all rounding effects
  8. Which computer-vision feature is a practical example of Tensor Core acceleration?
    • A database index with no matrix operations
    • A file compressor that never runs a neural network
    • A CPU-only spreadsheet calculation
    • Neural upscaling such as NVIDIA DLSS in games