Κουίζ που συνδέεται με οδηγό · Μεσαίο Επίπεδο

Κουίζ Tensor Cores

Καλύπτει λειτουργίες Matrix Tensor Core, συσσώρευση μικτής ακρίβειας, παράθεση λογισμικού και αριθμητικές μορφές συγκεκριμένης αρχιτεκτονικής.

Σχετικές διαδρομές οδηγώνΠυρήνες τανυστή
Ερώτηση 1 του 8

Ποια βασική μαθηματική λειτουργία έχουν σχεδιαστεί ειδικά για την επιτάχυνση των Tensor Cores;

Προεπισκόπηση κάθε ερώτησης8 ερωτήσεις

Οι απαντήσεις και οι εξηγήσεις εμφανίζονται καθώς κάνετε το κουίζ.

  1. Ποια βασική μαθηματική λειτουργία έχουν σχεδιαστεί ειδικά για την επιτάχυνση των Tensor Cores;
    • Πίνακας πολλαπλασιασμός και συσσώρευση (D = A x B + C)
    • Ταξινόμηση μεγάλων λιστών αριθμών
    • Τυχαία παραγωγή αριθμών
    • Κρυπτογράφηση και αποκρυπτογράφηση δεδομένων
  2. Ποια αρχιτεκτονική GPU NVIDIA εισήγαγε για πρώτη φορά τους Tensor Cores;
    • Πασκάλ
    • Βόλτα
    • Τούρινγκ
    • Μάξγουελ
  3. Γιατί οι πυρήνες Tensor χρησιμοποιούν συχνά μειωμένη ακρίβεια όπως το FP16 ή το FP8;
    • Απαιτείται από το νόμο χαμηλότερη ακρίβεια για την τεχνητή νοημοσύνη
    • Η υψηλότερη ακρίβεια είναι αδύνατη σε μια GPU
    • Επιτρέπει την επεξεργασία περισσότερων αριθμών ανά ρολόι, ενισχύοντας την απόδοση διατηρώντας παράλληλα την ακρίβεια αποδεκτή
    • Κάνει το τσιπ φυσικά μικρότερο
  4. Για να διατηρηθεί η ακρίβεια, ποια ακρίβεια χρησιμοποιούν συνήθως οι πυρήνες τανυστή για το τρέχον άθροισμα (συσσώρευση);
    • Η ίδια χαμηλή ακρίβεια με τις εισόδους
    • Δεν πραγματοποιείται συσσώρευση
    • Μόνο ακέραιος χωρίς κλάσματα
    • Μια υψηλότερη ακρίβεια όπως το FP32
  5. Πώς χρησιμοποιούν τα καθημερινά πλαίσια τεχνητής νοημοσύνης όπως το PyTorch τους Tensor Cores;
    • Βιβλιοθήκες όπως το cuBLAS και το cuDNN τοποθετούν αυτόματα μεγάλους πίνακες σε μικρά μπλοκ που μπορούν να επεξεργαστούν οι πυρήνες
    • Οι προγραμματιστές πρέπει να συναρμολογούν με το χέρι για κάθε μοντέλο
    • Οι πυρήνες Tensor λειτουργούν μόνο με προσαρμοσμένο υλικό που δεν μπορεί να φτάσει το λογισμικό
    • Δεν μπορούν να χρησιμοποιηθούν καθόλου από πλαίσια υψηλού επιπέδου
  6. Ποια νεότερη αριθμητική μορφή πρόσθεσε η αρχιτεκτονική Blackwell για να ωθήσει τη διεκπεραίωση συμπερασμάτων ακόμα υψηλότερη;
    • FP64 (διπλής ακρίβειας)
    • FP4 (4-bit κινητή υποδιαστολή)
    • 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