Útmutatóhoz kapcsolódó kvíz · Kemény Szint

CUDA és GPU programozási kvíz

Check core CUDA concepts, including kernels, SIMT execution, memory access, shared memory, and higher-level GPU programming tools.

Kapcsolódó útmutató utakCuda és GPU programozás
kérdés 1 -ból 8

A CUDA terminológiájában mi az a „kernel”?

Tekintse meg az összes kérdést8 kérdéseket

A válaszok és magyarázatok megjelennek a kvíz kitöltésekor.

  1. A CUDA terminológiájában mi az a „kernel”?
    • Számos GPU-szál által párhuzamosan futtatott függvény
    • Az operációs rendszer magja
    • A memóriachip egy típusa
    • A GPU hűtőrendszere
  2. Mit jelent a SIMT végrehajtási modell?
    • Lassú bevitel, sok átvitel
    • Egyetlen utasítás, több szál ugyanazt az utasítást futtatja különböző adatokon
    • Egyetlen kép, több textúra
    • Szekvenciális utasítások, kézi időzítés
  3. Miért kéri a PyTorch és a TensorFlow ritkán a felhasználóktól nyers CUDA írását?
    • A GPU-k nem tudnak felhasználói kódot futtatni
    • A CUDA közvetlen használata illegális
    • Az optimalizált CUDA-könyvtárakat, például a cuDNN-t és a cuBLAS-t belsőleg hívják
    • Csak CPU-kon futnak
  4. Mi az a „hajlási eltérés”, és miért rontja a teljesítményt?
    • Hálózati hiba, amely csomagokat dob el
    • A GPU fizikailag meghajlik hő hatására
    • Egy hiba, ami törli a memóriát
    • A vetemítésben lévő szálak különböző ágakat vesznek fel, és sorozatban kell futniuk
  5. Miért fontos az „egyesített” memóriaelérés a CUDA-ban?
    • A szomszédos szálak a szomszédos címek beolvasása sokkal hatékonyabb
    • Automatikusan titkosítja az adatokat
    • Lemezterületet szabadít fel
    • Letiltja a GPU ventilátorokat
  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