Κουίζ που συνδέεται με οδηγό · Μεσαίο Επίπεδο

Κουίζ πολλαπλών περιπτώσεων κατάτμησης GPU

Εφαρμόστε προφίλ MIG, πόρους παρουσίας GPU έναντι υπολογισμού και έκθεση συσκευών, συμπεριλαμβανομένου του γιατί το υποστηριζόμενο υλικό καθορίζει τις επιλογές διαμερισμάτων.

Σχετικές διαδρομές οδηγώνΔιαμέριση GPU πολλαπλών περιπτώσεων
Ερώτηση 1 του 8

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

Προεπισκόπηση κάθε ερώτησης8 ερωτήσεις

Οι απαντήσεις και οι εξηγήσεις εμφανίζονται καθώς κάνετε το κουίζ.

  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. Σε ποια αρχιτεκτονική NVIDIA παρουσιάστηκε για πρώτη φορά η MIG;
    • Βόλτα
    • Ampere (A100)
    • Τούρινγκ
    • Πασκάλ
  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. Σε ένα προφίλ MIG όπως το '1g.5gb', τι αντιπροσωπεύει το '5gb';
    • Η μνήμη που εκχωρείται σε αυτήν την περίπτωση
    • Ο αριθμός των SM
    • Το εύρος ζώνης PCIe
    • Η ταχύτητα του ρολογιού
  5. Για ποιον φόρτο εργασίας είναι ιδιαίτερα κατάλληλη η MIG;
    • Μια ενιαία μαζική εκτέλεση εκπαίδευσης που χρειάζεται ολόκληρη την GPU
    • Προβολή συμπερασμάτων πολλαπλών μισθωτών με προβλέψιμο λανθάνοντα χρόνο
    • Προεπεξεργασία δεδομένων συνδεδεμένη με CPU
    • Μακροχρόνια αποθήκευση σε ψύξη
  6. Πώς μπορεί ένα σύμπλεγμα Kubernetes να εκθέσει περιπτώσεις MIG σε pods;
    • Ως ακατέργαστοι τόμοι δίσκου
    • Μόνο μέσω χειροκίνητου SSH
    • Ως προγραμματισμένοι πόροι όπως το 'nvidia.com/mig-1g.5gb'
    • Μέσω εγγραφών DNS
  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