Cuestionario vinculado a una guía · Medio Nivel

Prueba de puntos de control de gradiente

Explica la rematerialización de la activación, el ahorro de memoria, la sobrecarga informática dependiente de la programación y las combinaciones con fragmentación y precisión mixta.

Rutas de guía relacionadasPuntos de control de gradiente
Pregunta 1 de 8

¿Qué intercambian principalmente los puntos de control de gradiente para ahorrar memoria?

Vista previa de cada pregunta8 preguntas

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

  1. ¿Qué intercambian principalmente los puntos de control de gradiente para ahorrar memoria?
    • Computación adicional (recálculo) para un menor uso de memoria
    • Precisión del modelo para la velocidad.
    • Espacio en disco para ancho de banda de red
    • Precisión para el tamaño del lote
  2. ¿Por qué normalmente se almacenan las activaciones durante el pase hacia adelante?
    • Para mostrárselos al usuario
    • Porque la retropropagación los necesita para calcular gradientes
    • Para acelerar la carga de datos
    • En realidad nunca son necesarios
  3. In a simplified chain of N similarly sized layers, what can checkpoint boundaries spaced about sqrt(N) layers apart achieve in the textbook schedule?
    • It stores no activations and performs no recomputation
    • It guarantees constant memory for every model graph
    • Activation storage can scale on the order of sqrt(N) checkpoints
    • It makes optimizer-state memory scale as sqrt(N)
  4. What most determines gradient-checkpointing runtime overhead in a practical model?
    • Only the model’s file extension
    • A fixed 20–30% slowdown for every model
    • The number of labels in the dataset
    • Which operations are recomputed, checkpoint placement, graph structure, and hardware
  5. En PyTorch, ¿qué utilidad se usa comúnmente para aplicar puntos de control de gradiente a un módulo?
    • antorcha.utils.checkpoint
    • antorcha.optim.SGD
    • antorcha.nn.Abandono
    • antorcha.cuda.empty_cache
  6. What happens to operations inside a checkpointed region during backward?
    • Their gradients are skipped entirely
    • Their forward computations are rerun to regenerate needed activations
    • Their weights are permanently discarded
    • They are executed only during inference
  7. Which training techniques can be combined with activation checkpointing to reduce different memory costs?
    • Only increasing the number of labels
    • Turning off backpropagation
    • FSDP for sharded model state and mixed precision for lower-precision tensors
    • Replacing the model with a tokenizer
  8. What is selective activation checkpointing intended to choose?
    • Which training labels are removed
    • Which model outputs are published
    • Which GPU becomes the tokenizer
    • Which operations to save and which to recompute based on their memory and runtime costs