Kuiz berkaitan panduan · Sederhana Tahap

Kubernetes untuk Kuiz Beban Kerja ML

Gunakan penempatan pod ML Kubernetes, sumber peranti GPU dan toleransi kekotoran, termasuk sebab latihan yang diedarkan memerlukan kapasiti setiap nod yang sesuai.

Laluan panduan yang berkaitanKubernetes Untuk Beban Kerja ML
soalan 1 daripada 8

Apakah tugas utama penjadual Kubernetes untuk beban kerja ML?

Pratonton setiap soalan8 soalan

Jawapan dan penjelasan muncul semasa anda mengambil kuiz.

  1. Apakah tugas utama penjadual Kubernetes untuk beban kerja ML?
    • Menulis kod latihan untuk saintis data
    • Memutuskan nod dalam kelompok menjalankan setiap pod kontena
    • Melabelkan data latihan secara automatik
    • Memilih seni bina rangkaian saraf
  2. Bagaimanakah Kubernetes biasanya menyediakan GPU untuk pod?
    • Melalui pemalam peranti yang mengiklankan sumber seperti nvidia.com/gpu
    • Dengan menghantar e-mel kepada vendor GPU untuk mendapatkan lesen
    • GPU tidak boleh digunakan dalam Kubernetes
    • Dengan menukar teras CPU kepada GPU pada masa jalan
  3. With a NoSchedule taint on a GPU node, what does a matching pod toleration do?
    • Forces the pod onto that node regardless of capacity
    • Changes the model’s optimizer
    • Allows the pod to be considered for that node without guaranteeing placement
    • Encrypts every GPU tensor
  4. Alat manakah yang menambah keupayaan khusus ML seperti pengendali latihan teragih di atas Kubernetes?
    • Perkataan Microsoft
    • Apache untuk menyediakan halaman web statik
    • Makro hamparan
    • Kubeflow
  5. Mengapakah Kubernetes sangat sesuai untuk beban kerja ML yang pecah?
    • Ia menjadualkan kerja ke sumber percuma dan membebaskan perkakasan itu apabila kerja selesai
    • Ia menyimpan semua GPU secara kekal untuk satu pengguna
    • Ia menghalang apa-apa kerja daripada mengecilkan
    • Ia hanya menjalankan satu bekas bagi setiap kelompok
  6. Apakah maksud 'menskalakan titik akhir inferens kepada sifar' pada Kubernetes?
    • Memadam model secara kekal
    • Menetapkan ketepatan kepada sifar peratus
    • Menjalankan sifar salinan apabila tiada trafik, kemudian berputar pada permintaan seterusnya
    • Mengurangkan parameter model kepada sifar
  7. One ML pod requests four GPUs, while two nodes each have only two available. Can ordinary scheduling combine those nodes for that one pod?
    • Yes; every pod automatically spans all cluster nodes
    • Yes; the scheduler converts CPU cores into the missing GPUs
    • Only if the pod name contains the word distributed
    • No; the pod must fit on one eligible node
  8. An inference service scales to zero while idle. Which user-facing delay should its team test when traffic resumes?
    • The training-set labeling speed
    • Cold-start delay while a serving replica becomes ready
    • The file size of an unrelated notebook
    • The number of discarded vocabulary tokens