Kuis Paralelisme Data

Jawaban dan penjelasan muncul saat Anda mengikuti kuis.

1. Dalam paralelisme data standar, apa yang dimiliki setiap GPU?
   • Salinan lengkap model, memproses bagian batch yang berbeda
   • Potongan lapisan model yang berbeda
   • Hanya status pengoptimal, dengan bobot disimpan secara terpusat
   • Versi model terkompresi dengan parameter lebih sedikit
2. Operasi komunikasi manakah yang menjaga replika model tetap sinkron di setiap langkah?
   • Siaran, yang menyalin data satu GPU ke semua data lainnya
   • All-reduce, yang meratakan gradien di semua GPU
   • Scatter, yang membagi data antar GPU
   • Tidak diperlukan komunikasi antar GPU
3. What memory limit remains in plain data parallelism?
   • The full model is sharded automatically across the GPUs
   • Only the input batch uses device memory
   • Each GPU keeps model parameters and optimizer state replicated, limiting the model size that fits
   • Each worker stores different model layers by default
4. Which factors does NCCL use when selecting collective algorithms?
   • Only the random seed and learning rate
   • Only the total number of model parameters
   • The optimizer type and validation score
   • Message size and topology
5. Bagaimana cara PyTorch DistributedDataParallel menyembunyikan latensi komunikasi?
   • Dengan tumpang tindih gradien semua pengurangan dengan gerakan mundur yang sedang berlangsung
   • Dengan melewatkan sinkronisasi gradien pada langkah bergantian
   • Dengan mengompresi semua gradien menjadi satu angka
   • Dengan menjalankan forward pass pada CPU
6. With equal local batch size B on each of W data-parallel workers, what is the global batch for one synchronized step?
   • B divided by W
   • B multiplied by W, before any gradient-accumulation factor
   • Always exactly W samples
   • The model parameter count divided by B
7. Why may adding more data-parallel GPUs fail to increase throughput proportionally?
   • All-reduce makes model parameters disappear
   • The model is copied only to one worker
   • Gradient communication, data loading, and synchronization add overhead
   • More workers always reduce the global batch to zero
8. What does gradient accumulation let a data-parallel training loop do?
   • Shard parameters automatically across all workers
   • Skip forward and backward computation
   • Replace the model with an all-reduce operation
   • Combine gradients from multiple microbatches before an optimizer update