Gids-gekoppelde quiz · Middelmatig Niveau

Quiz voor gemengde precisietraining

Behandelt FP16-bereik en loss scaling, bfloat16, master weights, autocast, Tensor Core-accumulatie en gemeten hardware-afhankelijke winsten.

Gerelateerde gidspadenGemengde precisietraining
Vraag 1 van 8

In an FP16 training recipe that keeps an FP32 master weight, why retain it?

Bekijk elke vraag8 vragen

Antwoorden en uitleg verschijnen terwijl je de quiz doet.

  1. In an FP16 training recipe that keeps an FP32 master weight, why retain it?
    • Om de precisie te behouden in kleine gewichtsupdates die 16-bits kunnen afronden
    • Om het modelbestand kleiner te maken op schijf
    • Om training zonder GPU mogelijk te maken
    • Om de modelparameters te coderen
  2. Welk probleem lost verliesschaling op in FP16-training?
    • Modellen passen de gegevens te veel aan
    • Hellingen lopen terug naar nul omdat het bereik van FP16 smal is
    • GPU's hebben onvoldoende schijfruimte
    • Langzaam laden van gegevens vanaf schijf
  3. Welk voordeel heeft bfloat16 ten opzichte van FP16?
    • Het gebruikt minder totale bits
    • Het slaat tekst op in plaats van cijfers
    • Het heeft hetzelfde brede exponentbereik als FP32, waardoor de noodzaak voor verliesschaling afneemt
    • Het draait alleen op CPU's
  4. For many supported Tensor Core matrix operations, how are partial sums commonly accumulated?
    • In integer arithmetic with no rounding
    • In text before converting to FP16
    • In FP16 only, which prevents every numerical error
    • In FP32, which reduces rounding error compared with low-precision accumulation
  5. What is a common benefit of using 16-bit values for supported training operations?
    • They can reduce tensor memory and improve throughput, with gains depending on hardware and workload
    • They guarantee higher model accuracy
    • They remove the need to compute gradients
    • They always double end-to-end training speed
  6. Which current PyTorch APIs are commonly used for automatic mixed-precision training?
    • torch.cuda.amp only, which is the recommended new namespace
    • torch.amp.autocast and, for FP16 gradient scaling, torch.amp.GradScaler
    • torch.load and torch.save
    • torch.nn.DataParallel and torch.manual_seed
  7. Why does bfloat16 often need less loss scaling than FP16?
    • It has more mantissa bits than FP32
    • It stores gradients as integers
    • It has an exponent range like FP32, so very small gradients are less likely to underflow
    • It never rounds values
  8. What does autocast do in automatic mixed precision?
    • Converts every tensor and operation to FP16 unconditionally
    • Replaces the optimizer with a different algorithm
    • Guarantees identical bitwise results to FP32
    • Selects operation dtypes so supported operations can use lower precision while others retain safer precision