Prueba de paralelismo de datos

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

1. En el paralelismo de datos estándar, ¿qué contiene cada GPU?
   • Una copia completa del modelo, procesando una porción diferente del lote.
   • Una porción diferente de las capas del modelo.
   • Sólo el estado del optimizador, con pesos almacenados centralmente
   • Una versión comprimida del modelo con menos parámetros.
2. ¿Qué operación de comunicación mantiene sincronizadas las réplicas del modelo en cada paso?
   • Transmisión, que copia los datos de una GPU a todas las demás.
   • Reducción total, que promedia los gradientes en todas las GPU
   • Scatter, que divide los datos entre GPU
   • No se necesita comunicación entre GPU
3. What memory limit remains in plain data parallelism?
   • The full model is sharded automatically across the GPUs
   • Only the input batch uses device memory
   • Each GPU keeps model parameters and optimizer state replicated, limiting the model size that fits
   • Each worker stores different model layers by default
4. Which factors does NCCL use when selecting collective algorithms?
   • Only the random seed and learning rate
   • Only the total number of model parameters
   • The optimizer type and validation score
   • Message size and topology
5. ¿Cómo oculta PyTorch DistributedDataParallel la latencia de comunicación?
   • Al superponer el gradiente, se reduce todo con el paso hacia atrás en curso
   • Saltándose la sincronización de gradiente en pasos alternos
   • Comprimiendo todos los gradientes en un solo número
   • Ejecutando el pase hacia adelante en la CPU
6. With equal local batch size B on each of W data-parallel workers, what is the global batch for one synchronized step?
   • B divided by W
   • B multiplied by W, before any gradient-accumulation factor
   • Always exactly W samples
   • The model parameter count divided by B
7. Why may adding more data-parallel GPUs fail to increase throughput proportionally?
   • All-reduce makes model parameters disappear
   • The model is copied only to one worker
   • Gradient communication, data loading, and synchronization add overhead
   • More workers always reduce the global batch to zero
8. What does gradient accumulation let a data-parallel training loop do?
   • Shard parameters automatically across all workers
   • Skip forward and backward computation
   • Replace the model with an all-reduce operation
   • Combine gradients from multiple microbatches before an optimizer update