Kuis terkait panduan · Sedang Tingkat

Kuis Partisi GPU Multi-Instance

Terapkan profil MIG, sumber daya instans GPU-versus-komputasi, dan paparan perangkat, termasuk alasan perangkat keras yang didukung menentukan pilihan partisi.

Jalur panduan terkaitPartisi GPU Multi Instansi
Pertanyaan 1 dari 8

Which resource boundary distinguishes separate MIG GPU Instances from software time slicing?

Pratinjau setiap pertanyaan8 pertanyaan

Jawaban dan penjelasan muncul saat Anda mengikuti kuis.

  1. Which resource boundary distinguishes separate MIG GPU Instances from software time slicing?
    • Only a different process priority on one shared execution queue
    • A guaranteed absence of every host or device failure
    • A separate network cable for every CUDA kernel
    • Dedicated hardware compute and memory resources for each GPU Instance
  2. Pada arsitektur NVIDIA manakah MIG pertama kali diperkenalkan?
    • Volta
    • Ampere (A100)
    • Turing
    • Pascal
  3. On an A100 40 GB using supported small-instance profiles, how many GPU Instances can a layout provide?
    • Exactly sixteen on every supported GPU
    • Exactly two regardless of profile
    • Up to seven
    • An unlimited number with no memory limits
  4. Dalam profil MIG seperti '1g.5gb', apa yang dimaksud dengan '5gb'?
    • Memori yang dialokasikan untuk instance tersebut
    • Jumlah SM
    • Bandwidth PCIe
    • Kecepatan jam
  5. Beban kerja manakah yang paling cocok untuk MIG?
    • Satu pelatihan besar-besaran yang membutuhkan seluruh GPU
    • Inferensi multi-penyewa ditayangkan dengan latensi yang dapat diprediksi
    • Pemrosesan awal data yang terikat CPU
    • Penyimpanan dingin jangka panjang
  6. Bagaimana cara klaster Kubernetes mengekspos instance MIG ke pod?
    • Sebagai volume disk mentah
    • Hanya melalui SSH manual
    • Sebagai sumber daya yang dapat dijadwalkan seperti 'nvidia.com/mig-1g.5gb'
    • Melalui catatan DNS
  7. Two Compute Instances belong to the same MIG GPU Instance. Which resources do they share?
    • Their parent GPU Instance’s memory resources
    • Only a remote CPU’s filesystem
    • Separate complete copies of physical GPU memory
    • Every compute slice on unrelated GPUs
  8. A team wants to deploy a named MIG profile on a new GPU model. What should it check first?
    • That every NVIDIA GPU supports identical profiles
    • That the model parameter count is an even integer
    • That the Kubernetes pod name contains the profile text
    • That the GPU supports MIG and that exact profile layout