Cuestionario vinculado a una guía · Medio Nivel

Prueba GPU vs TPU para IA

Compare las arquitecturas de GPU y TPU, el soporte de software, las limitaciones del sistema y la evidencia específica de la carga de trabajo que los equipos necesitan antes de elegir el hardware.

Rutas de guía relacionadasGPU vs TPU para IA
Pregunta 1 de 8

¿Qué frameworks enumera la guía como compatibles con las cargas de trabajo de Cloud TPU?

Vista previa de cada pregunta8 preguntas

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

  1. ¿Qué frameworks enumera la guía como compatibles con las cargas de trabajo de Cloud TPU?
    • JAX, TensorFlow, and PyTorch/XLA
    • CUDA C++ only
    • PyTorch CPU and ONNX Runtime only
    • TensorFlow Lite only
  2. ¿Quién diseña el TPU?
    • NVIDIA
    • Google
    • Intel
    • Apple
  3. ¿Qué estructura de hardware central hace que las TPU sean eficientes en la multiplicación de matrices?
    • Un disco magnético giratorio
    • Un gran banco de relés mecánicos
    • Una matriz sistólica de unidades de acumulación múltiple
    • Un único núcleo ultrarrápido
  4. ¿Qué factores del sistema pueden afectar a una comparación de rendimiento entre GPU y TPU?
    • Only the accelerator’s peak operation count
    • Only the number of parameters in the model
    • Only the cloud region name
    • Model support, software, interconnects, memory, utilization, and deployment cost
  5. ¿Cuál es una fortaleza práctica de las GPU frente a las TPU para muchos equipos?
    • A broad ecosystem of CUDA libraries, tools, and existing GPU-supported workloads
    • A guarantee that every model is faster on a GPU
    • A requirement that all training use TensorFlow
    • A built-in advantage in every cost comparison
  6. Why does the guide recommend benchmarking the intended workload on the specific platform?
    • Peak operation counts always predict end-to-end speed exactly
    • Measured results depend on workload shape, kernels, input pipeline, memory, and system scaling
    • All workloads use the same hardware path and precision
    • A benchmark removes the need to check software support
  7. What should a team compare before choosing between a GPU and a TPU for training?
    • Peak FLOPS alone for an unrelated precision
    • The chip’s name and product launch date
    • End-to-end time and cost for its model, framework, input pipeline, and target scale
    • A benchmark from a different model and software stack
  8. How does Google describe a TPU pod?
    • A single GPU with no network
    • A CPU-only cluster
    • A model format
    • A group of TPU chips connected through a high-speed interconnect