Gids-gekoppelde quiz · Middelmatig Niveau

Tensorkernenquiz

Behandelt Tensor Core-matrixoperaties, mixed-precision accumulatie, software-tiling en architectuurspecifieke numerieke formaten.

Gerelateerde gidspadenTensorkernen
Vraag 1 van 8

Voor welke wiskundige kernbewerkingen zijn Tensor Cores specifiek ontworpen om te versnellen?

Bekijk elke vraag8 vragen

Antwoorden en uitleg verschijnen terwijl je de quiz doet.

  1. Voor welke wiskundige kernbewerkingen zijn Tensor Cores specifiek ontworpen om te versnellen?
    • Matrix vermenigvuldigen en accumuleren (D = A x B + C)
    • Sorteren van grote lijsten met getallen
    • Generatie van willekeurige getallen
    • Gegevens coderen en decoderen
  2. Welke NVIDIA GPU-architectuur introduceerde voor het eerst Tensor Cores?
    • Pascal
    • Volta
    • Turing
    • Maxwel
  3. Waarom gebruiken Tensor Cores vaak verminderde precisie, zoals FP16 of FP8?
    • Voor AI is wettelijk een lagere nauwkeurigheid vereist
    • Hogere precisie is onmogelijk op een GPU
    • Hierdoor kunnen meer getallen per klok worden verwerkt, waardoor de doorvoer toeneemt en de nauwkeurigheid acceptabel blijft
    • Het maakt de chip fysiek kleiner
  4. Welke precisie gebruiken Tensor Cores doorgaans voor de lopende som (accumulatie) om de nauwkeurigheid te behouden?
    • Dezelfde lage precisie als de ingangen
    • Er vindt geen accumulatie plaats
    • Alleen gehele getallen zonder breuken
    • Een hogere precisie zoals FP32
  5. Hoe maken alledaagse AI-frameworks zoals PyTorch gebruik van Tensor Cores?
    • Bibliotheken zoals cuBLAS en cuDNN verdelen grote matrices automatisch in kleine blokken die de kernen kunnen verwerken
    • Ontwikkelaars moeten voor elk model de montage met de hand schrijven
    • Tensor Cores werken alleen met aangepaste hardware waar software niet bij kan
    • Ze kunnen helemaal niet worden gebruikt door raamwerken op hoog niveau
  6. Welk nieuwere numerieke formaat heeft de Blackwell-architectuur toegevoegd om de inferentiedoorvoer nog hoger te maken?
    • FP64 (dubbele precisie)
    • FP4 (4-bit drijvende komma)
    • ASCII
    • FP128
  7. Why should a team validate model quality when changing Tensor Core input precision?
    • Reduced precision guarantees identical outputs
    • The model’s vocabulary changes automatically
    • Lower-precision arithmetic can change numerical results, so accuracy should be checked for the task
    • Tensor Cores remove all rounding effects
  8. Which computer-vision feature is a practical example of Tensor Core acceleration?
    • A database index with no matrix operations
    • A file compressor that never runs a neural network
    • A CPU-only spreadsheet calculation
    • Neural upscaling such as NVIDIA DLSS in games