Κουίζ που συνδέεται με οδηγό · Σκληρό Επίπεδο

Κουίζ προγραμματισμού CUDA και GPU

Ελέγξτε τις βασικές έννοιες CUDA, συμπεριλαμβανομένων των πυρήνων, της εκτέλεσης SIMT, της πρόσβασης στη μνήμη, της κοινής μνήμης και των εργαλείων προγραμματισμού GPU υψηλότερου επιπέδου.

Σχετικές διαδρομές οδηγώνΠρογραμματισμός Cuda και GPU
Ερώτηση 1 του 8

Στην ορολογία CUDA, τι είναι «πυρήνας»;

Προεπισκόπηση κάθε ερώτησης8 ερωτήσεις

Οι απαντήσεις και οι εξηγήσεις εμφανίζονται καθώς κάνετε το κουίζ.

  1. Στην ορολογία CUDA, τι είναι «πυρήνας»;
    • Μια συνάρτηση που εκτελείται παράλληλα από πολλά νήματα GPU
    • Ο πυρήνας ενός λειτουργικού συστήματος
    • Ένας τύπος τσιπ μνήμης
    • Το σύστημα ψύξης της GPU
  2. Τι σημαίνει το μοντέλο εκτέλεσης SIMT;
    • Αργή είσοδος, πολλές μεταφορές
    • Μεμονωμένη εντολή, πολλαπλά νήματα εκτελούν την ίδια εντολή σε διαφορετικά δεδομένα
    • Ενιαία εικόνα, πολλαπλές υφές
    • Διαδοχικές οδηγίες, Χειροκίνητος χρονισμός
  3. Γιατί οι PyTorch και TensorFlow σπάνια απαιτούν από τους χρήστες να γράφουν ακατέργαστο CUDA;
    • Οι GPU δεν μπορούν να εκτελέσουν τον κωδικό χρήστη
    • Το CUDA είναι παράνομο για απευθείας χρήση
    • Καλούν εσωτερικά βελτιστοποιημένες βιβλιοθήκες CUDA όπως cuDNN και cuBLAS
    • Λειτουργούν μόνο σε CPU
  4. Τι είναι η «απόκλιση στημονιού» και γιατί βλάπτει την απόδοση;
    • Σφάλμα δικτύου που ρίχνει πακέτα
    • Η GPU κάμπτεται φυσικά υπό θερμότητα
    • Ένα σφάλμα που διαγράφει τη μνήμη
    • Τα νήματα σε ένα στημόνι παίρνουν διαφορετικούς κλάδους και πρέπει να τρέχουν σειριακά
  5. Γιατί είναι σημαντική η πρόσβαση σε «συγκεντρωμένη» μνήμη στο CUDA;
    • Τα γειτονικά νήματα που διαβάζουν γειτονικές διευθύνσεις είναι πολύ πιο αποτελεσματικά
    • Κρυπτογραφεί αυτόματα τα δεδομένα
    • Απελευθερώνει χώρο στο δίσκο
    • Απενεργοποιεί τους ανεμιστήρες GPU
  6. What is OpenAI Triton in relation to CUDA programming?
    • A CUDA driver that replaces NVIDIA GPUs
    • A Python-like language and compiler for writing efficient GPU kernels
    • A model-serving server that only loads TensorFlow checkpoints
    • A framework that converts GPUs into CPUs
  7. What does a CUDA kernel launch configuration specify?
    • A model tokenizer vocabulary
    • The number of training labels
    • The grid and block dimensions used to organize thread execution
    • The host operating system
  8. Why might a CUDA kernel use shared memory?
    • To make data available across every cluster without communication
    • To replace all registers
    • To store the model permanently on the GPU
    • To let threads in a block reuse data from a faster on-chip memory space