Kuis TensorRT dan Mesin Inferensi

Jawaban dan penjelasan muncul saat Anda mengikuti kuis.

1. What is the goal of building an inference engine with TensorRT?
   • Guarantee the fastest possible execution on every system
   • Optimize execution of a supported trained model for the configured target
   • Choose training labels without a dataset
   • Replace every GPU with a CPU
2. Bagaimana fusi lapisan mempercepat inferensi?
   • Dengan menggabungkan beberapa operasi ke dalam satu kernel GPU untuk mengurangi lalu lintas memori
   • Dengan menghapus lapisan yang tidak diperlukan
   • Dengan menjalankan setiap lapisan pada GPU terpisah
   • Dengan mengonversi model untuk dijalankan di CPU
3. In a representative-data INT8 calibration workflow, why examine the model’s value distributions?
   • To guarantee no accuracy change under all future inputs
   • To retrain the model from zero automatically
   • To select quantization scales suited to the observed numerical ranges
   • To remove every compatibility requirement
4. Mengapa mesin TensorRT yang dikompilasi umumnya khusus untuk satu arsitektur GPU?
   • Karena dienkripsi ke nomor seri GPU tersebut
   • Karena NVIDIA melisensikannya per perangkat
   • Karena menyimpan data pelatihan di dalam mesin
   • Karena penyetelan otomatis kernel dilakukan pada kernel tercepat untuk inti dan tata letak memori GPU tersebut
5. Fitur TensorRT-LLM manakah yang secara khusus membantu menyajikan model bahasa besar secara efisien?
   • Pengelompokan dalam penerbangan (berkelanjutan) dan halaman KV-cache
   • Augmentasi gambar otomatis
   • Hosting web bawaan
   • Pembatalan kebisingan audio
6. Why evaluate task accuracy after choosing lower-precision TensorRT execution?
   • Lower precision always preserves every output bit
   • Only the model filename affects predictions
   • Reduced numerical precision can change model outputs or quality
   • Accuracy evaluation is needed only during tokenization
7. A TensorRT dynamic-shape engine receives input outside its configured profile range. What should deployment validation check?
   • Whether the engine can accept every shape without a profile
   • Only whether the model name is short
   • Whether training can restart from a screenshot
   • Whether the profile supports that requested shape
8. A TensorRT engine is moved to a different runtime and GPU configuration. What must the team establish?
   • That any serialized engine runs unchanged everywhere
   • That the selected compatibility settings support the new environment
   • That the engine contains all its original training data
   • That every GPU shares one serial number