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.

Kapcsolódó útmutató utakKubernetes ML munkaterhelésekhez
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.

  1. 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
  2. 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
  3. 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
  4. Melyik eszköz ad hozzá ML-specifikus képességeket, például elosztott képzési operátorokat a Kubernetesen?
    • Microsoft Word
    • Apache statikus weboldalak kiszolgálására
    • Egy táblázat makró
    • Kubeflow
  5. 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
  6. 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
  7. 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
  8. 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