Quiz collegato alla guida · Medio Livello
Quiz sul partizionamento GPU multiistanza
Applica i profili MIG, le risorse delle istanze GPU rispetto a quelle di calcolo e l'esposizione dei dispositivi, incluso il motivo per cui l'hardware supportato determina le scelte delle partizioni.
Domanda 1 di 8
Which resource boundary distinguishes separate MIG GPU Instances from software time slicing?
Anteprima di ogni domanda8 domande
Le risposte e le spiegazioni vengono visualizzate mentre rispondi al quiz.
- 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
- Su quale architettura NVIDIA è stata introdotta per la prima volta MIG?
- Volta
- Ampere (A100)
- Turing
- Pascal
- 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
- In un profilo MIG come "1g.5gb", cosa rappresenta "5gb"?
- La memoria allocata a quell'istanza
- Il numero di SM
- La larghezza di banda PCIe
- La velocità dell'orologio
- Per quale carico di lavoro la MIG è particolarmente adatta?
- Un'unica sessione di allenamento di massa che richiede l'intera GPU
- Servizio di inferenza multi-tenant con latenza prevedibile
- Preelaborazione dei dati legata alla CPU
- Conservazione frigorifera a lungo termine
- In che modo un cluster Kubernetes può esporre le istanze MIG ai pod?
- Come volumi del disco non elaborato
- Solo tramite SSH manuale
- Come risorse programmabili come "nvidia.com/mig-1g.5gb"
- Tramite record DNS
- 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
- 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