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.
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.
- 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
- 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
- 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
- Melyik bővítményt használják általában a Kubernetesben az AI-feladatok kötegelt és csoportos ütemezéséhez?
- Vulkán
- Apache Kafka
- Redis
- Grafana
- 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
- 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
- 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
- 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