Kuis Inti Tensor

Jawaban dan penjelasan muncul saat Anda mengikuti kuis.

1. Operasi matematika inti apa yang dirancang khusus untuk dipercepat oleh Tensor Cores?
   • Matriks perkalian dan akumulasi (D = A x B + C)
   • Menyortir daftar angka yang besar
   • Pembuatan angka acak
   • Mengenkripsi dan mendekripsi data
2. Arsitektur GPU NVIDIA manakah yang pertama kali memperkenalkan Tensor Cores?
   • Pascal
   • Volta
   • Turing
   • Maxwell
3. Mengapa Tensor Cores sering kali menggunakan pengurangan presisi seperti FP16 atau FP8?
   • Presisi yang lebih rendah diwajibkan oleh hukum untuk AI
   • Presisi yang lebih tinggi tidak mungkin dilakukan pada GPU
   • Ini memungkinkan lebih banyak angka diproses per jam, meningkatkan throughput sekaligus menjaga akurasi tetap dapat diterima
   • Itu membuat chip secara fisik lebih kecil
4. Untuk menjaga akurasi, presisi apa yang biasanya digunakan Tensor Cores untuk jumlah berjalan (akumulasi)?
   • Presisi rendah yang sama dengan inputnya
   • Tidak ada akumulasi yang dilakukan
   • Hanya bilangan bulat tanpa pecahan
   • Presisi yang lebih tinggi seperti FP32
5. Bagaimana kerangka AI sehari-hari seperti PyTorch memanfaatkan Tensor Cores?
   • Library seperti cuBLAS dan cuDNN secara otomatis menyusun matriks besar menjadi blok-blok kecil yang dapat diproses oleh inti
   • Pengembang harus menulis sendiri perakitan untuk setiap model
   • Tensor Cores hanya berfungsi dengan perangkat keras khusus yang tidak dapat dijangkau oleh perangkat lunak
   • Mereka tidak dapat digunakan oleh kerangka kerja tingkat tinggi sama sekali
6. Format numerik baru manakah yang ditambahkan arsitektur Blackwell untuk mendorong throughput inferensi lebih tinggi lagi?
   • FP64 (presisi ganda)
   • FP4 (titik mengambang 4-bit)
   • ASCII
   • FP128
7. Why should a team validate model quality when changing Tensor Core input precision?
   • Reduced precision guarantees identical outputs
   • The model’s vocabulary changes automatically
   • Lower-precision arithmetic can change numerical results, so accuracy should be checked for the task
   • Tensor Cores remove all rounding effects
8. Which computer-vision feature is a practical example of Tensor Core acceleration?
   • A database index with no matrix operations
   • A file compressor that never runs a neural network
   • A CPU-only spreadsheet calculation
   • Neural upscaling such as NVIDIA DLSS in games