Cuestionario vinculado a una guía · Medio Nivel

Prueba de núcleos tensoriales

Cubre operaciones matriciales de Tensor Core, acumulación de precisión mixta, mosaico de software y formatos numéricos específicos de la arquitectura.

Rutas de guía relacionadasNúcleos tensores
Pregunta 1 de 8

¿Para qué operación matemática central están diseñados específicamente los Tensor Cores para acelerar?

Vista previa de cada pregunta8 preguntas

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

  1. ¿Para qué operación matemática central están diseñados específicamente los Tensor Cores para acelerar?
    • Matriz de multiplicación y acumulación (D = A x B + C)
    • Ordenar listas grandes de números
    • Generación de números aleatorios
    • Cifrar y descifrar datos
  2. ¿Qué arquitectura de GPU NVIDIA introdujo por primera vez Tensor Cores?
    • pascal
    • Volta
    • Turing
    • Maxwell
  3. ¿Por qué los Tensor Cores suelen utilizar precisión reducida como FP16 o FP8?
    • La ley exige una menor precisión para la IA
    • Una mayor precisión es imposible en una GPU
    • Permite procesar más números por reloj, lo que aumenta el rendimiento y mantiene una precisión aceptable.
    • Hace que el chip sea físicamente más pequeño.
  4. Para preservar la precisión, ¿qué precisión suelen utilizar los Tensor Cores para la suma acumulada (acumulación)?
    • La misma baja precisión que las entradas.
    • No se realiza acumulación
    • Sólo números enteros sin fracciones
    • Una mayor precisión como la FP32
  5. ¿Cómo utilizan los marcos de IA cotidianos como PyTorch Tensor Cores?
    • Bibliotecas como cuBLAS y cuDNN agrupan automáticamente matrices grandes en bloques pequeños que los núcleos pueden procesar
    • Los desarrolladores deben escribir a mano el ensamblaje para cada modelo.
    • Tensor Cores solo funciona con hardware personalizado al que ningún software puede acceder
    • No pueden ser utilizados por marcos de alto nivel en absoluto.
  6. ¿Qué formato numérico más nuevo agregó la arquitectura Blackwell para aumentar aún más el rendimiento de inferencia?
    • FP64 (doble precisión)
    • FP4 (coma flotante de 4 bits)
    • ASCII
    • FP128
  7. Why should a team validate model quality when changing Tensor Core input precision?
    • Reduced precision guarantees identical outputs
    • The model’s vocabulary changes automatically
    • Lower-precision arithmetic can change numerical results, so accuracy should be checked for the task
    • Tensor Cores remove all rounding effects
  8. Which computer-vision feature is a practical example of Tensor Core acceleration?
    • A database index with no matrix operations
    • A file compressor that never runs a neural network
    • A CPU-only spreadsheet calculation
    • Neural upscaling such as NVIDIA DLSS in games