Quiz lié à un guide · Difficile Niveau

Quiz de programmation CUDA et GPU

Vérifiez les concepts fondamentaux de CUDA, notamment les noyaux, l'exécution SIMT, l'accès à la mémoire, la mémoire partagée et les outils de programmation GPU de niveau supérieur.

Chemins de guidage associésProgrammation Cuda et GPU
Question 1 de 8

Dans la terminologie CUDA, qu'est-ce qu'un « noyau » ?

Prévisualisez chaque question8 des questions

Les réponses et les explications apparaissent au fur et à mesure que vous répondez au quiz.

  1. Dans la terminologie CUDA, qu'est-ce qu'un « noyau » ?
    • Une fonction exécutée en parallèle par de nombreux threads GPU
    • Le cœur d'un système d'exploitation
    • Un type de puce mémoire
    • Le système de refroidissement du GPU
  2. Que signifie le modèle d'exécution SIMT ?
    • Entrée lente, nombreux transferts
    • Instruction unique, plusieurs threads exécutent la même instruction sur différentes données
    • Image unique, textures multiples
    • Instructions séquentielles, chronométrage manuel
  3. Pourquoi PyTorch et TensorFlow exigent-ils rarement que les utilisateurs écrivent du CUDA brut ?
    • Les GPU ne peuvent pas exécuter le code utilisateur
    • CUDA est illégal à utiliser directement
    • Ils appellent des bibliothèques CUDA optimisées comme cuDNN et cuBLAS en interne
    • Ils ne fonctionnent que sur des processeurs
  4. Qu'est-ce que la « divergence de distorsion » et pourquoi cela nuit-il aux performances ?
    • Une erreur réseau qui supprime des paquets
    • Le GPU se plie physiquement sous la chaleur
    • Un bug qui supprime la mémoire
    • Les threads d'une chaîne prennent différentes branches et doivent s'exécuter en série
  5. Pourquoi l'accès à la mémoire « fusionnée » est-il important dans CUDA ?
    • Les threads adjacents lisant les adresses adjacentes sont beaucoup plus efficaces
    • Il crypte automatiquement les données
    • Cela libère de l'espace disque
    • Il désactive les ventilateurs du GPU
  6. What is OpenAI Triton in relation to CUDA programming?
    • A CUDA driver that replaces NVIDIA GPUs
    • A Python-like language and compiler for writing efficient GPU kernels
    • A model-serving server that only loads TensorFlow checkpoints
    • A framework that converts GPUs into CPUs
  7. What does a CUDA kernel launch configuration specify?
    • A model tokenizer vocabulary
    • The number of training labels
    • The grid and block dimensions used to organize thread execution
    • The host operating system
  8. Why might a CUDA kernel use shared memory?
    • To make data available across every cluster without communication
    • To replace all registers
    • To store the model permanently on the GPU
    • To let threads in a block reuse data from a faster on-chip memory space