データ並列処理クイズ

クイズに答えると、答えと解説が表示されます。

1. 標準的なデータ並列処理では、各 GPU は何を保持しますか?
   • バッチの別のスライスを処理するモデルの完全なコピー
   • モデルのレイヤーの別のスライス
   • オプティマイザ状態のみ。重みは一元的に保存されます。
   • パラメータが少ない圧縮バージョンのモデル
2. 各ステップでモデルのレプリカの同期を保つ通信操作はどれですか?
   • ブロードキャスト。1 つの GPU のデータを他のすべての GPU にコピーします。
   • All-reduce、すべての GPU の勾配を平均化します。
   • GPU間でデータを分割するScatter
   • GPU 間の通信は必要ありません
3. What memory limit remains in plain data parallelism?
   • The full model is sharded automatically across the GPUs
   • Only the input batch uses device memory
   • Each GPU keeps model parameters and optimizer state replicated, limiting the model size that fits
   • Each worker stores different model layers by default
4. Which factors does NCCL use when selecting collective algorithms?
   • Only the random seed and learning rate
   • Only the total number of model parameters
   • The optimizer type and validation score
   • Message size and topology
5. PyTorch DistributedDataParallel はどのように通信遅延を隠しますか?
   • 進行中の逆方向パスにグラデーション all-reduce をオーバーラップすることによって
   • 交互のステップでの勾配同期をスキップすることによって
   • すべての勾配を単一の数値に圧縮することによって
   • CPU 上でフォワード パスを実行することにより、
6. With equal local batch size B on each of W data-parallel workers, what is the global batch for one synchronized step?
   • B divided by W
   • B multiplied by W, before any gradient-accumulation factor
   • Always exactly W samples
   • The model parameter count divided by B
7. Why may adding more data-parallel GPUs fail to increase throughput proportionally?
   • All-reduce makes model parameters disappear
   • The model is copied only to one worker
   • Gradient communication, data loading, and synchronization add overhead
   • More workers always reduce the global batch to zero
8. What does gradient accumulation let a data-parallel training loop do?
   • Shard parameters automatically across all workers
   • Skip forward and backward computation
   • Replace the model with an all-reduce operation
   • Combine gradients from multiple microbatches before an optimizer update