Quiz lié à un guide · Moyen Niveau

GPU vs TPU pour le quiz IA

Comparez les architectures GPU et TPU, la prise en charge logicielle, les contraintes du système et les preuves spécifiques à la charge de travail dont les équipes ont besoin avant de choisir le matériel.

Chemins de guidage associésGPU contre Tpu pour l'IA
Question 1 de 8

Quels frameworks le guide répertorie-t-il comme étant pris en charge pour les charges de travail Cloud TPU ?

Prévisualisez chaque question8 des questions

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

  1. Quels frameworks le guide répertorie-t-il comme étant pris en charge pour les charges de travail Cloud TPU ?
    • JAX, TensorFlow, and PyTorch/XLA
    • CUDA C++ only
    • PyTorch CPU and ONNX Runtime only
    • TensorFlow Lite only
  2. Qui conçoit le TPU ?
    • NVIDIA
    • Google
    • Intel
    • Apple
  3. Quelle structure matérielle de base rend les TPU efficaces pour la multiplication matricielle ?
    • Un disque magnétique qui tourne
    • Un grand banc de relais mécaniques
    • Un tableau systolique d'unités multipliées-accumulées
    • Un seul cœur ultra-rapide
  4. Quels facteurs système peuvent affecter une comparaison des performances GPU/TPU ?
    • Only the accelerator’s peak operation count
    • Only the number of parameters in the model
    • Only the cloud region name
    • Model support, software, interconnects, memory, utilization, and deployment cost
  5. Quelle est la force pratique des GPU par rapport aux TPU pour de nombreuses équipes ?
    • A broad ecosystem of CUDA libraries, tools, and existing GPU-supported workloads
    • A guarantee that every model is faster on a GPU
    • A requirement that all training use TensorFlow
    • A built-in advantage in every cost comparison
  6. Why does the guide recommend benchmarking the intended workload on the specific platform?
    • Peak operation counts always predict end-to-end speed exactly
    • Measured results depend on workload shape, kernels, input pipeline, memory, and system scaling
    • All workloads use the same hardware path and precision
    • A benchmark removes the need to check software support
  7. What should a team compare before choosing between a GPU and a TPU for training?
    • Peak FLOPS alone for an unrelated precision
    • The chip’s name and product launch date
    • End-to-end time and cost for its model, framework, input pipeline, and target scale
    • A benchmark from a different model and software stack
  8. How does Google describe a TPU pod?
    • A single GPU with no network
    • A CPU-only cluster
    • A model format
    • A group of TPU chips connected through a high-speed interconnect