Cuestionario vinculado a una guía · duro Nivel

Cuestionario de programación CUDA y GPU

Consulte los conceptos básicos de CUDA, incluidos los kernels, la ejecución SIMT, el acceso a la memoria, la memoria compartida y las herramientas de programación de GPU de nivel superior.

Rutas de guía relacionadasCuda y programación por GPU
Pregunta 1 de 8

En terminología CUDA, ¿qué es un "núcleo"?

Vista previa de cada pregunta8 preguntas

Las respuestas y explicaciones aparecen a medida que realiza el cuestionario.

  1. En terminología CUDA, ¿qué es un "núcleo"?
    • Una función ejecutada en paralelo por muchos subprocesos de GPU
    • El núcleo de un sistema operativo
    • Un tipo de chip de memoria
    • El sistema de refrigeración de la GPU.
  2. ¿Qué significa el modelo de ejecución SIMT?
    • Entrada lenta, muchas transferencias
    • Una sola instrucción, varios subprocesos ejecutan la misma instrucción en diferentes datos
    • Una sola imagen, múltiples texturas
    • Instrucciones secuenciales, sincronización manual
  3. ¿Por qué PyTorch y TensorFlow rara vez requieren que los usuarios escriban CUDA sin formato?
    • Las GPU no pueden ejecutar código de usuario
    • CUDA es ilegal para usar directamente
    • Llaman internamente a bibliotecas CUDA optimizadas como cuDNN y cuBLAS
    • Solo se ejecutan en CPU
  4. ¿Qué es la "divergencia de deformación" y por qué perjudica el rendimiento?
    • Un error de red que descarta paquetes
    • La GPU se dobla físicamente bajo el calor
    • Un error que borra la memoria.
    • Los hilos en una urdimbre toman diferentes ramas y deben ejecutarse en serie
  5. ¿Por qué es importante el acceso a la memoria "unida" en CUDA?
    • Los subprocesos adyacentes que leen direcciones adyacentes son mucho más eficientes
    • Cifra los datos automáticamente
    • Libera espacio en disco
    • Desactiva los ventiladores de la 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