मिश्रित परिशुद्धता प्रशिक्षण प्रश्नोत्तरी

जैसे ही आप प्रश्नोत्तरी लेते हैं उत्तर और स्पष्टीकरण दिखाई देते हैं।

1. In an FP16 training recipe that keeps an FP32 master weight, why retain it?
   • छोटे वजन अपडेट में सटीकता बनाए रखने के लिए जिसे 16-बिट गोल कर सकता है
   • डिस्क पर मॉडल फ़ाइल को छोटा करने के लिए
   • जीपीयू के बिना प्रशिक्षण की अनुमति देना
   • मॉडल पैरामीटर्स को एन्क्रिप्ट करने के लिए
2. FP16 प्रशिक्षण में हानि स्केलिंग किस समस्या का समाधान करती है?
   • डेटा को ओवरफ़िट करने वाले मॉडल
   • ग्रेडियंट शून्य पर आ रहे हैं क्योंकि FP16 की सीमा संकीर्ण है
   • जीपीयू का डिस्क स्थान समाप्त हो रहा है
   • डिस्क से धीमी गति से डेटा लोड हो रहा है
3. FP16 की तुलना में bfloat16 का क्या लाभ है?
   • यह कम कुल बिट्स का उपयोग करता है
   • यह संख्याओं के स्थान पर टेक्स्ट को संग्रहीत करता है
   • इसमें FP32 के समान विस्तृत घातांक सीमा है, जिससे हानि स्केलिंग की आवश्यकता कम हो जाती है
   • यह केवल CPU पर चलता है
4. For many supported Tensor Core matrix operations, how are partial sums commonly accumulated?
   • In integer arithmetic with no rounding
   • In text before converting to FP16
   • In FP16 only, which prevents every numerical error
   • In FP32, which reduces rounding error compared with low-precision accumulation
5. What is a common benefit of using 16-bit values for supported training operations?
   • They can reduce tensor memory and improve throughput, with gains depending on hardware and workload
   • They guarantee higher model accuracy
   • They remove the need to compute gradients
   • They always double end-to-end training speed
6. Which current PyTorch APIs are commonly used for automatic mixed-precision training?
   • torch.cuda.amp only, which is the recommended new namespace
   • torch.amp.autocast and, for FP16 gradient scaling, torch.amp.GradScaler
   • torch.load and torch.save
   • torch.nn.DataParallel and torch.manual_seed
7. Why does bfloat16 often need less loss scaling than FP16?
   • It has more mantissa bits than FP32
   • It stores gradients as integers
   • It has an exponent range like FP32, so very small gradients are less likely to underflow
   • It never rounds values
8. What does autocast do in automatic mixed precision?
   • Converts every tensor and operation to FP16 unconditionally
   • Replaces the optimizer with a different algorithm
   • Guarantees identical bitwise results to FP32
   • Selects operation dtypes so supported operations can use lower precision while others retain safer precision