Gids-gekoppelde quiz · Middelmatig Niveau
Tensorkernenquiz
Behandelt Tensor Core-matrixoperaties, mixed-precision accumulatie, software-tiling en architectuurspecifieke numerieke formaten.
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.
- 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
- Welke NVIDIA GPU-architectuur introduceerde voor het eerst Tensor Cores?
- Pascal
- Volta
- Turing
- Maxwel
- 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
- 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
- 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
- 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
- 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
- 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