Kuis terkait panduan · Sedang Tingkat

Kuis Pemeriksaan Gradien

Menjelaskan rematerialisasi aktivasi, penghematan memori, overhead komputasi yang bergantung pada jadwal, dan kombinasi dengan sharding dan presisi campuran.

Jalur panduan terkaitPos Pemeriksaan Gradien
Pertanyaan 1 dari 8

Apa yang terutama diperdagangkan oleh pos pemeriksaan gradien untuk menghemat memori?

Pratinjau setiap pertanyaan8 pertanyaan

Jawaban dan penjelasan muncul saat Anda mengikuti kuis.

  1. Apa yang terutama diperdagangkan oleh pos pemeriksaan gradien untuk menghemat memori?
    • Komputasi ekstra (komputasi ulang) untuk penggunaan memori yang lebih rendah
    • Akurasi model untuk kecepatan
    • Ruang disk untuk bandwidth jaringan
    • Presisi untuk ukuran batch
  2. Mengapa aktivasi biasanya disimpan selama forward pass?
    • Untuk menampilkannya kepada pengguna
    • Karena propagasi mundur memerlukannya untuk menghitung gradien
    • Untuk mempercepat pemuatan data
    • Mereka sebenarnya tidak dibutuhkan
  3. In a simplified chain of N similarly sized layers, what can checkpoint boundaries spaced about sqrt(N) layers apart achieve in the textbook schedule?
    • It stores no activations and performs no recomputation
    • It guarantees constant memory for every model graph
    • Activation storage can scale on the order of sqrt(N) checkpoints
    • It makes optimizer-state memory scale as sqrt(N)
  4. What most determines gradient-checkpointing runtime overhead in a practical model?
    • Only the model’s file extension
    • A fixed 20–30% slowdown for every model
    • The number of labels in the dataset
    • Which operations are recomputed, checkpoint placement, graph structure, and hardware
  5. Di PyTorch, utilitas mana yang biasa digunakan untuk menerapkan titik pemeriksaan gradien ke modul?
    • torch.utils.checkpoint
    • obor.optim.SGD
    • obor.nn.Putus sekolah
    • torch.cuda.empty_cache
  6. What happens to operations inside a checkpointed region during backward?
    • Their gradients are skipped entirely
    • Their forward computations are rerun to regenerate needed activations
    • Their weights are permanently discarded
    • They are executed only during inference
  7. Which training techniques can be combined with activation checkpointing to reduce different memory costs?
    • Only increasing the number of labels
    • Turning off backpropagation
    • FSDP for sharded model state and mixed precision for lower-precision tensors
    • Replacing the model with a tokenizer
  8. What is selective activation checkpointing intended to choose?
    • Which training labels are removed
    • Which model outputs are published
    • Which GPU becomes the tokenizer
    • Which operations to save and which to recompute based on their memory and runtime costs