ガイド連動クイズ · 中 レベル

GPU スケジューリングとクラスター オーケストレーションに関するクイズ

GPU リソースのリクエスト、ギャング スケジューリング、およびトポロジの配置を練習します。これには、プリエンプションおよびフェアシェア ポリシーが共有トレーニング クラスターに与える影響も含まれます。

関連するガイドパスGPU スケジューリングとクラスター オーケストレーション
質問 1 の 8

Why coordinate resource admission for a fixed-size distributed training worker group?

すべての質問をプレビューする8 質問

クイズに答えると、答えと解説が表示されます。

  1. Why coordinate resource admission for a fixed-size distributed training worker group?
    • To guarantee every process starts at exactly the same nanosecond
    • To guarantee the model converges
    • To remove all worker communication
    • To reduce partial-start situations where workers wait for unavailable peers
  2. How does Kubernetes normally express a device-plugin GPU resource request?
    • As arbitrary fractions of CPU clock cycles
    • As an integer count of advertised device resources
    • As a DNS hostname only
    • As a string of model output tokens
  3. トポロジ認識スケジューリングは何を最適化しようとしていますか?
    • ジョブをできるだけ遠くに分散する
    • ユーザー数を最小限に抑える
    • NVLink などの高速インターコネクト上に通信ランクを配置する
    • 最も安い電力会社を選ぶ
  4. AI ジョブのバッチおよびギャング スケジューリングのために Kubernetes で一般的に使用されるアドオンはどれですか?
    • 火山
    • アパッチ カフカ
    • レディス
    • グラファナ
  5. What must a training application provide if a preempted job should resume its previous progress?
    • A guarantee that preemption saves optimizer state automatically
    • A usable checkpoint and recovery procedure
    • A renamed pod with no saved state
    • A higher learning rate for its first resumed step
  6. 共有クラスターにおけるフェアシェア クォータの役割は何ですか?
    • どちらかのチームが常に勝つことを保証する
    • スケジューラを無効にするには
    • 単一のチームがすべての GPU を独占しないようにするため
    • 単一のジョブを高速化するには
  7. A fixed worker group needs eight GPU resources but only four are available. What can group admission accomplish?
    • Keep the group pending until its configured minimum requirements can be met
    • Invent the missing four GPU devices
    • Turn every worker into a CPU process without configuration
    • Guarantee completion even with no admitted workers
  8. Two communicating GPU jobs fit the same resource counts on different nodes. Why consider topology as well?
    • The resource count alone fixes every transfer latency
    • Topology determines the training labels
    • Only node names affect all-reduce outputs
    • Interconnect placement affects communication costs between their workers