Kuiz Paralelisme Data

Jawapan dan penjelasan muncul semasa anda mengambil kuiz.

1. Dalam keselarian data standard, apakah yang dipegang oleh setiap GPU?
   • Salinan lengkap model, memproses kepingan kumpulan yang berbeza
   • Potongan lapisan model yang berbeza
   • Hanya keadaan pengoptimum, dengan pemberat disimpan secara berpusat
   • Versi mampat model dengan parameter yang lebih sedikit
2. Operasi komunikasi manakah yang memastikan replika model disegerakkan setiap langkah?
   • Siaran, yang menyalin satu data GPU kepada semua yang lain
   • All-reduce, yang meratakan kecerunan merentas semua GPU
   • Scatter, yang membahagikan data antara GPU
   • Tiada komunikasi diperlukan antara GPU
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. Bagaimanakah PyTorch DistributedDataParallel menyembunyikan kependaman komunikasi?
   • Dengan kecerunan bertindih semua-kurangkan dengan hantaran ke belakang yang berterusan
   • Dengan melangkau penyegerakan kecerunan pada langkah berselang-seli
   • Dengan memampatkan semua kecerunan kepada satu nombor
   • Dengan menjalankan pas hadapan pada CPU
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