Útmutatóhoz kapcsolódó kvíz · Közepes Szint

Slurm for AI Training Cluster kvíz

Checks Slurm’s batch, GPU and distributed-launch commands, scheduling components, backfill behavior and checkpoint-aware recovery.

Kapcsolódó útmutató utakSlurm AI képzési klaszterekhez
kérdés 1 -ból 8

Milyen parancsot használnak a felhasználók általában egy kötegelt feladat elküldésére a Slurmnak?

Tekintse meg az összes kérdést8 kérdéseket

A válaszok és magyarázatok megjelennek a kvíz kitöltésekor.

  1. Milyen parancsot használnak a felhasználók általában egy kötegelt feladat elküldésére a Slurmnak?
    • sbatch
    • kubectl alkalmazni
    • dokkolófuttatás
    • git push
  2. Hogyan kér egy Slurm-feladat GPU-kat?
    • DNS rekordok szerkesztésével
    • --gres=gpu direktíván keresztül
    • Csak webes űrlapon keresztül
    • A Slurmban nem kérhetők GPU-k
  3. Melyik Slurm komponens hozza meg a központi ütemezési döntéseket?
    • slurmd
    • srun
    • slurmctld
    • sbatch
  4. Why can srun help launch distributed training tasks inside a Slurm allocation?
    • It automatically restores every model checkpoint
    • It replaces slurmctld as the scheduler
    • It converts a single GPU into multiple physical GPUs
    • It launches coordinated tasks across allocated nodes; the training setup may still need explicit DDP configuration
  5. Mi a célja a háttérkitöltés ütemezésének a Slurmban?
    • Rövid munkák üresjáratban történő futtatásához anélkül, hogy késlekedne a magasabb prioritású munka
    • Régi munkák törléséhez
    • A GPU-k túlhajtására
    • Munkanaplók titkosításához
  6. What must an AI training script do so a requeued Slurm job can continue after a node failure?
    • Assume Slurm stores model weights automatically
    • Save checkpoints and reload them when the job restarts
    • Disable resource accounting
    • Submit a new job without restoring state
  7. Which Slurm daemon normally runs on each compute node to launch tasks and report node status?
    • slurmctld
    • sbatchd
    • slurmd
    • gresctl
  8. What can Slurm resource accounting help cluster administrators track?
    • The model’s validation accuracy automatically
    • The semantic content of training data
    • Whether every checkpoint is scientifically valid
    • Job resource use such as allocated CPUs, GPUs and time