Cuestionario sobre el lenguaje Triton para kernels de GPU personalizados

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

1. ¿Cómo describe Triton gran parte del trabajo de la GPU en comparación con un kernel CUDA hilo por hilo?
   • Como operaciones sobre bloques lógicos de elementos.
   • Como una única instrucción de CPU para el tensor completo
   • Como un núcleo por valor individual
   • Como consulta SQL sobre la memoria de la GPU
2. ¿Por qué los núcleos vectoriales enmascaran su bloque final?
   • Para forzar que la última ficha lance menos deformaciones
   • Para evitar cargas o almacenes más allá de la extensión tensor válida
   • Para rellenar el tensor subyacente hasta que su longitud sea divisible por el tamaño del bloque
   • Para omitir toda la instancia final del programa cuando queda un bloque parcial
3. ¿Qué identifica comúnmente tl.program_id?
   • El ordinal del dispositivo GPU que compiló la función.
   • El número total de deformaciones en una instancia de programa.
   • El índice de la instancia del programa lógico activo en la cuadrícula de lanzamiento.
   • El desplazamiento del elemento producido por tl.arange dentro de esa instancia
4. ¿Por qué un núcleo de matriz en mosaico puede reducir el tráfico de memoria?
   • Reduce el número matemático de elementos de salida.
   • Elimina todo acceso a la memoria global.
   • Hace que todas las matrices sean contiguas automáticamente.
   • Reutiliza valores cargados en múltiples cálculos.
5. ¿Qué debería hacer un punto de referencia con el tiempo de compilación JIT?
   • Cuente la compilación solo como ejecución del dispositivo
   • Separe la compilación de primera llamada del tiempo de ejecución del kernel de estado estable
   • Excluir todo calentamiento y sincronización incondicionalmente
   • Supongamos que cada forma usa el mismo binario compilado.
6. ¿Por qué un kernel Triton podría ser más lento que la operación de una biblioteca?
   • Los kernels personalizados no pueden utilizar el mosaico de memoria
   • Triton siempre se ejecuta en una CPU
   • Es posible que la biblioteca ya utilice núcleos optimizados y que la sobrecarga de lanzamiento pueda dominar
   • Los núcleos de GPU nunca se benefician de la fusión
7. ¿Qué puede cambiar los resultados numéricos entre Triton y una implementación de referencia?
   • El número de comentarios de código.
   • El pedido de Python solo importa
   • El nombre del archivo del tensor.
   • Orden y precisión de las operaciones de punto flotante
8. ¿Cuándo es más defendible un kernel Triton personalizado?
   • La elaboración de perfiles identifica un cuello de botella y una operación especializada puede justificar el mantenimiento.
   • Antes de medir cualquier línea de base
   • Siempre que un tensor contenga más de un valor
   • Cuando las pruebas de corrección no están disponibles