Quiz collegato alla guida · Medio Livello
Slurm per il quiz sui cluster di addestramento sull'intelligenza artificiale
Controlla i comandi batch, GPU e di avvio distribuito di Slurm, i componenti di pianificazione, il comportamento di recupero e il ripristino con riconoscimento del checkpoint.
Domanda 1 di 8
Quale comando utilizzano in genere gli utenti per inviare un lavoro batch a Slurm?
Anteprima di ogni domanda8 domande
Le risposte e le spiegazioni vengono visualizzate mentre rispondi al quiz.
- Quale comando utilizzano in genere gli utenti per inviare un lavoro batch a Slurm?
- lotto
- kubectl si applica
- esecuzione della finestra mobile
- spingi
- In che modo un lavoro Slurm richiede GPU?
- Modificando i record DNS
- Attraverso una direttiva --gres=gpu
- Solo tramite modulo web
- Le GPU non possono essere richieste in Slurm
- Quale componente Slurm prende le decisioni centrali sulla pianificazione?
- slurmd
- correre
- slurmctld
- lotto
- Why can srun help launch distributed training tasks inside a Slurm allocation?
- It automatically restores every model checkpoint
- It replaces slurmctld as the scheduler
- It converts a single GPU into multiple physical GPUs
- It launches coordinated tasks across allocated nodes; the training setup may still need explicit DDP configuration
- Qual è lo scopo della pianificazione del recupero in Slurm?
- Eseguire lavori brevi in intervalli di inattività senza ritardare il lavoro con priorità più elevata
- Per eliminare vecchi lavori
- Per overclockare le GPU
- Per crittografare i registri dei lavori
- What must an AI training script do so a requeued Slurm job can continue after a node failure?
- Assume Slurm stores model weights automatically
- Save checkpoints and reload them when the job restarts
- Disable resource accounting
- Submit a new job without restoring state
- Which Slurm daemon normally runs on each compute node to launch tasks and report node status?
- slurmctld
- sbatchd
- slurmd
- gresctl
- What can Slurm resource accounting help cluster administrators track?
- The model’s validation accuracy automatically
- The semantic content of training data
- Whether every checkpoint is scientifically valid
- Job resource use such as allocated CPUs, GPUs and time