Cuestionario vinculado a una guía · Medio Nivel

Cuestionario sobre Kubernetes para cargas de trabajo de aprendizaje automático

Aplique la ubicación de los pods de aprendizaje automático de Kubernetes, los recursos del dispositivo GPU y las tolerancias a la contaminación, incluido el motivo por el cual la capacitación distribuida necesita una capacidad adecuada por nodo.

Rutas de guía relacionadasKubernetes para cargas de trabajo de ML
Pregunta 1 de 8

¿Cuál es la tarea principal del programador de Kubernetes para cargas de trabajo de ML?

Vista previa de cada pregunta8 preguntas

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

  1. ¿Cuál es la tarea principal del programador de Kubernetes para cargas de trabajo de ML?
    • Escribir el código de formación para científicos de datos
    • Decidir qué nodo del clúster ejecuta cada pod en contenedores
    • Etiquetar los datos de entrenamiento automáticamente
    • Elegir la arquitectura de la red neuronal
  2. ¿Cómo suele Kubernetes poner las GPU a disposición de un pod?
    • A través de complementos de dispositivos que anuncian recursos como nvidia.com/gpu
    • Enviando un correo electrónico al proveedor de GPU para obtener una licencia
    • Las GPU no se pueden utilizar en Kubernetes
    • Convirtiendo núcleos de CPU en GPU en tiempo de ejecución
  3. With a NoSchedule taint on a GPU node, what does a matching pod toleration do?
    • Forces the pod onto that node regardless of capacity
    • Changes the model’s optimizer
    • Allows the pod to be considered for that node without guaranteeing placement
    • Encrypts every GPU tensor
  4. ¿Qué herramienta agrega capacidades específicas de ML, como operadores de capacitación distribuida, además de Kubernetes?
    • Microsoft Palabra
    • Apache para servir páginas web estáticas
    • Una macro de hoja de cálculo
    • Kubeflow
  5. ¿Por qué Kubernetes es adecuado para cargas de trabajo de aprendizaje automático en ráfagas?
    • Programa trabajos en recursos libres y libera ese hardware cuando finalizan los trabajos.
    • Reserva permanentemente todas las GPU para un usuario
    • Evita que cualquier trabajo se reduzca
    • Solo ejecuta un contenedor por clúster.
  6. ¿Qué significa "escalar un punto final de inferencia a cero" en Kubernetes?
    • Eliminar el modelo permanentemente
    • Establecer la precisión al cero por ciento
    • Ejecutar copias cero cuando no hay tráfico y luego activarlas en la siguiente solicitud
    • Reducir los parámetros del modelo a cero.
  7. One ML pod requests four GPUs, while two nodes each have only two available. Can ordinary scheduling combine those nodes for that one pod?
    • Yes; every pod automatically spans all cluster nodes
    • Yes; the scheduler converts CPU cores into the missing GPUs
    • Only if the pod name contains the word distributed
    • No; the pod must fit on one eligible node
  8. An inference service scales to zero while idle. Which user-facing delay should its team test when traffic resumes?
    • The training-set labeling speed
    • Cold-start delay while a serving replica becomes ready
    • The file size of an unrelated notebook
    • The number of discarded vocabulary tokens