Útmutatóhoz kapcsolódó kvíz · Közepes Szint
Kubernetes for ML Workloads kvíz
Apply Kubernetes ML pod placement, GPU device resources, and taint tolerations, including why distributed training needs appropriate per-node capacity.
kérdés 1 -ból 8
Mi a Kubernetes ütemező elsődleges feladata az ML munkaterhelésekhez?
Tekintse meg az összes kérdést8 kérdéseket
A válaszok és magyarázatok megjelennek a kvíz kitöltésekor.
- Mi a Kubernetes ütemező elsődleges feladata az ML munkaterhelésekhez?
- Az adattudósok képzési kódjának megírása
- Annak eldöntése, hogy a fürt melyik csomópontja futtassa az egyes konténeres podokat
- Az edzésadatok automatikus címkézése
- A neurális hálózati architektúra kiválasztása
- A Kubernetes általában hogyan teszi elérhetővé a GPU-kat egy pod számára?
- Olyan eszközbővítményeken keresztül, amelyek olyan erőforrásokat hirdetnek, mint az nvidia.com/gpu
- E-mailben a GPU szállítójának licencért
- A GPU-k nem használhatók Kubernetesben
- A CPU magok GPU-kká alakításával futás közben
- With a NoSchedule taint on a GPU node, what does a matching pod toleration do?
- Forces the pod onto that node regardless of capacity
- Changes the model’s optimizer
- Allows the pod to be considered for that node without guaranteeing placement
- Encrypts every GPU tensor
- Melyik eszköz ad hozzá ML-specifikus képességeket, például elosztott képzési operátorokat a Kubernetesen?
- Microsoft Word
- Apache statikus weboldalak kiszolgálására
- Egy táblázat makró
- Kubeflow
- Miért alkalmas a Kubernetes a sorozatos ML-munkaterhelésekre?
- A feladatokat szabad erőforrásokra ütemezi, és felszabadítja a hardvert, amikor a feladatok befejeződnek
- Véglegesen lefoglalja az összes GPU-t egy felhasználó számára
- Megakadályozza, hogy bármilyen feladat leépüljön
- Klaszterenként csak egy tároló fut
- Mit jelent a „következtetési végpont nullára skálázása” a Kubernetesen?
- A modell végleges törlése
- A pontosság beállítása nulla százalékra
- Nulla példány futtatása, ha nincs forgalom, majd felpörgetés a következő kérésre
- A modell paramétereinek nullára csökkentése
- One ML pod requests four GPUs, while two nodes each have only two available. Can ordinary scheduling combine those nodes for that one pod?
- Yes; every pod automatically spans all cluster nodes
- Yes; the scheduler converts CPU cores into the missing GPUs
- Only if the pod name contains the word distributed
- No; the pod must fit on one eligible node
- An inference service scales to zero while idle. Which user-facing delay should its team test when traffic resumes?
- The training-set labeling speed
- Cold-start delay while a serving replica becomes ready
- The file size of an unrelated notebook
- The number of discarded vocabulary tokens