Prueba de entrenamiento de precisión mixta

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

1. In an FP16 training recipe that keeps an FP32 master weight, why retain it?
   • Para preservar la precisión en pequeñas actualizaciones de peso que los 16 bits podrían redondear
   • Para hacer el archivo del modelo más pequeño en el disco
   • Para permitir el entrenamiento sin GPU
   • Para cifrar los parámetros del modelo
2. ¿Qué problema resuelve el escalado de pérdidas en la formación del FP16?
   • Modelos que sobreajustan los datos.
   • Los gradientes descienden a cero porque el alcance del FP16 es estrecho
   • Las GPU se están quedando sin espacio en disco
   • Carga lenta de datos desde el disco
3. ¿Qué ventaja tiene bfloat16 sobre FP16?
   • Utiliza menos bits totales
   • Almacena texto en lugar de números.
   • Tiene el mismo amplio rango de exponentes que FP32, lo que reduce la necesidad de escalar las pérdidas.
   • Solo se ejecuta en CPU
4. For many supported Tensor Core matrix operations, how are partial sums commonly accumulated?
   • In integer arithmetic with no rounding
   • In text before converting to FP16
   • In FP16 only, which prevents every numerical error
   • In FP32, which reduces rounding error compared with low-precision accumulation
5. What is a common benefit of using 16-bit values for supported training operations?
   • They can reduce tensor memory and improve throughput, with gains depending on hardware and workload
   • They guarantee higher model accuracy
   • They remove the need to compute gradients
   • They always double end-to-end training speed
6. Which current PyTorch APIs are commonly used for automatic mixed-precision training?
   • torch.cuda.amp only, which is the recommended new namespace
   • torch.amp.autocast and, for FP16 gradient scaling, torch.amp.GradScaler
   • torch.load and torch.save
   • torch.nn.DataParallel and torch.manual_seed
7. Why does bfloat16 often need less loss scaling than FP16?
   • It has more mantissa bits than FP32
   • It stores gradients as integers
   • It has an exponent range like FP32, so very small gradients are less likely to underflow
   • It never rounds values
8. What does autocast do in automatic mixed precision?
   • Converts every tensor and operation to FP16 unconditionally
   • Replaces the optimizer with a different algorithm
   • Guarantees identical bitwise results to FP32
   • Selects operation dtypes so supported operations can use lower precision while others retain safer precision