गाइड से जुड़ी प्रश्नोत्तरी · मध्यम स्तर
ग्रेडियंट चेकपॉइंटिंग क्विज़
एक्टिवेशन रीमटेरियलाइजेशन, मेमोरी सेविंग, शेड्यूल-डिपेंडेंट कंप्यूट ओवरहेड और शार्डिंग और मिश्रित परिशुद्धता के साथ संयोजन की व्याख्या करता है।
प्रश्न 1 का 8
स्मृति को बचाने के लिए ग्रेडिएंट चेकपॉइंटिंग मुख्य रूप से क्या व्यापार करती है?
प्रत्येक प्रश्न का पूर्वावलोकन करें8 प्रश्न
जैसे ही आप प्रश्नोत्तरी लेते हैं उत्तर और स्पष्टीकरण दिखाई देते हैं।
- स्मृति को बचाने के लिए ग्रेडिएंट चेकपॉइंटिंग मुख्य रूप से क्या व्यापार करती है?
- कम मेमोरी उपयोग के लिए अतिरिक्त गणना (पुनर्गणना)।
- गति के लिए मॉडल सटीकता
- नेटवर्क बैंडविड्थ के लिए डिस्क स्थान
- बैच आकार के लिए परिशुद्धता
- फ़ॉरवर्ड पास के दौरान सक्रियण सामान्यतः क्यों संग्रहीत किए जाते हैं?
- उन्हें उपयोगकर्ता को प्रदर्शित करने के लिए
- क्योंकि बैकप्रॉपैगेशन के लिए उन्हें ग्रेडिएंट्स की गणना करने की आवश्यकता होती है
- डेटा लोडिंग में तेजी लाने के लिए
- वास्तव में उनकी कभी आवश्यकता नहीं होती
- In a simplified chain of N similarly sized layers, what can checkpoint boundaries spaced about sqrt(N) layers apart achieve in the textbook schedule?
- It stores no activations and performs no recomputation
- It guarantees constant memory for every model graph
- Activation storage can scale on the order of sqrt(N) checkpoints
- It makes optimizer-state memory scale as sqrt(N)
- What most determines gradient-checkpointing runtime overhead in a practical model?
- Only the model’s file extension
- A fixed 20–30% slowdown for every model
- The number of labels in the dataset
- Which operations are recomputed, checkpoint placement, graph structure, and hardware
- PyTorch में, मॉड्यूल में ग्रेडिएंट चेकपॉइंटिंग लागू करने के लिए आमतौर पर किस उपयोगिता का उपयोग किया जाता है?
- मशाल.उपयोग.चेकप्वाइंट
- टॉर्च.ऑप्टिम.एसजीडी
- मशाल.एनएन.ड्रॉपआउट
- मशाल.कुडा.खाली_कैश
- What happens to operations inside a checkpointed region during backward?
- Their gradients are skipped entirely
- Their forward computations are rerun to regenerate needed activations
- Their weights are permanently discarded
- They are executed only during inference
- Which training techniques can be combined with activation checkpointing to reduce different memory costs?
- Only increasing the number of labels
- Turning off backpropagation
- FSDP for sharded model state and mixed precision for lower-precision tensors
- Replacing the model with a tokenizer
- What is selective activation checkpointing intended to choose?
- Which training labels are removed
- Which model outputs are published
- Which GPU becomes the tokenizer
- Which operations to save and which to recompute based on their memory and runtime costs