Quiz collegato alla guida · Medio Livello
Quiz su Kubernetes per carichi di lavoro ML
Applica il posizionamento dei pod Kubernetes ML, le risorse del dispositivo GPU e le tolleranze di contaminazione, incluso il motivo per cui la formazione distribuita richiede una capacità per nodo adeguata.
Domanda 1 di 8
Qual è il compito principale dello scheduler Kubernetes per i carichi di lavoro ML?
Anteprima di ogni domanda8 domande
Le risposte e le spiegazioni vengono visualizzate mentre rispondi al quiz.
- Qual è il compito principale dello scheduler Kubernetes per i carichi di lavoro ML?
- Scrivere il codice di formazione per i data scientist
- Decidere quale nodo nel cluster esegue ciascun pod containerizzato
- Etichettatura automatica dei dati di allenamento
- Scelta dell'architettura della rete neurale
- In che modo Kubernetes in genere rende le GPU disponibili per un pod?
- Attraverso plug-in del dispositivo che pubblicizzano risorse come nvidia.com/gpu
- Inviando un'e-mail al fornitore della GPU per una licenza
- Le GPU non possono essere utilizzate in Kubernetes
- Convertendo i core della CPU in GPU in fase di runtime
- With a NoSchedule taint on a GPU node, what does a matching pod toleration do?
- Forces the pod onto that node regardless of capacity
- Changes the model’s optimizer
- Allows the pod to be considered for that node without guaranteeing placement
- Encrypts every GPU tensor
- Quale strumento aggiunge funzionalità specifiche del machine learning come gli operatori di formazione distribuita su Kubernetes?
- Microsoft Parola
- Apache per servire pagine web statiche
- Una macro del foglio di calcolo
- Kubeflow
- Perché Kubernetes è adatto ai carichi di lavoro ML a raffica?
- Pianifica i lavori su risorse libere e libera l'hardware al termine dei lavori
- Riserva permanentemente tutte le GPU per un utente
- Impedisce che qualsiasi lavoro venga ridimensionato
- Esegue solo un contenitore per cluster
- Cosa significa "ridimensionare un endpoint di inferenza a zero" su Kubernetes?
- Eliminazione permanente del modello
- Impostazione della precisione allo zero percento
- Esecuzione di zero copie quando non c'è traffico, quindi avvio alla richiesta successiva
- Riduzione dei parametri del modello a zero
- One ML pod requests four GPUs, while two nodes each have only two available. Can ordinary scheduling combine those nodes for that one pod?
- Yes; every pod automatically spans all cluster nodes
- Yes; the scheduler converts CPU cores into the missing GPUs
- Only if the pod name contains the word distributed
- No; the pod must fit on one eligible node
- An inference service scales to zero while idle. Which user-facing delay should its team test when traffic resumes?
- The training-set labeling speed
- Cold-start delay while a serving replica becomes ready
- The file size of an unrelated notebook
- The number of discarded vocabulary tokens