Útmutatóhoz kapcsolódó kvíz · Közepes Szint

GPU ütemezési és fürt hangszerelési kvíz

Practice GPU resource requests, gang scheduling and topology placement, including how preemption and fair-share policies affect shared training clusters.

Kapcsolódó útmutató utakGPU ütemezés és klaszterrendezés
kérdés 1 -ból 8

Why coordinate resource admission for a fixed-size distributed training worker group?

Tekintse meg az összes kérdést8 kérdéseket

A válaszok és magyarázatok megjelennek a kvíz kitöltésekor.

  1. Why coordinate resource admission for a fixed-size distributed training worker group?
    • To guarantee every process starts at exactly the same nanosecond
    • To guarantee the model converges
    • To remove all worker communication
    • To reduce partial-start situations where workers wait for unavailable peers
  2. How does Kubernetes normally express a device-plugin GPU resource request?
    • As arbitrary fractions of CPU clock cycles
    • As an integer count of advertised device resources
    • As a DNS hostname only
    • As a string of model output tokens
  3. Mit próbál optimalizálni a topológia-tudatos ütemezés?
    • A munkahelyek minél távolabbi szétosztása
    • A felhasználók számának minimalizálása
    • Kommunikációs rangok elhelyezése olyan gyors összeköttetéseken, mint az NVLink
    • A legolcsóbb áramszolgáltató kiválasztása
  4. Melyik bővítményt használják általában a Kubernetesben az AI-feladatok kötegelt és csoportos ütemezéséhez?
    • Vulkán
    • Apache Kafka
    • Redis
    • Grafana
  5. What must a training application provide if a preempted job should resume its previous progress?
    • A guarantee that preemption saves optimizer state automatically
    • A usable checkpoint and recovery procedure
    • A renamed pod with no saved state
    • A higher learning rate for its first resumed step
  6. Mi a szerepe a fair-share kvótáknak egy megosztott klaszterben?
    • Garantálni, hogy mindig egy csapat nyer
    • Az ütemező letiltásához
    • Annak megakadályozása, hogy egyetlen csapat sem monopolizálja az összes GPU-t
    • Egyetlen munka felgyorsítása érdekében
  7. A fixed worker group needs eight GPU resources but only four are available. What can group admission accomplish?
    • Keep the group pending until its configured minimum requirements can be met
    • Invent the missing four GPU devices
    • Turn every worker into a CPU process without configuration
    • Guarantee completion even with no admitted workers
  8. Two communicating GPU jobs fit the same resource counts on different nodes. Why consider topology as well?
    • The resource count alone fixes every transfer latency
    • Topology determines the training labels
    • Only node names affect all-reduce outputs
    • Interconnect placement affects communication costs between their workers