Quiz połączony z przewodnikiem · Ciężko Poziom

Quiz z programowania CUDA i GPU

Sprawdź podstawowe koncepcje CUDA, w tym jądra, wykonanie SIMT, dostęp do pamięci, pamięć współdzieloną i narzędzia programistyczne GPU wyższego poziomu.

Powiązane ścieżki prowadząceProgramowanie Cuda i GPU
Pytanie 1 z 8

W terminologii CUDA, czym jest „jądro”?

Podgląd każdego pytania8 pytania

Odpowiedzi i wyjaśnienia pojawiają się w miarę rozwiązywania quizu.

  1. W terminologii CUDA, czym jest „jądro”?
    • Funkcja uruchamiana równolegle przez wiele wątków GPU
    • Rdzeń systemu operacyjnego
    • Rodzaj układu pamięci
    • Układ chłodzenia GPU
  2. Co oznacza model wykonania SIMT?
    • Powolne wprowadzanie danych, wiele transferów
    • Pojedyncza instrukcja, wiele wątków uruchamia tę samą instrukcję na różnych danych
    • Pojedynczy obraz, wiele tekstur
    • Instrukcje sekwencyjne, ręczne synchronizowanie
  3. Dlaczego PyTorch i TensorFlow rzadko wymagają od użytkowników pisania surowego CUDA?
    • Procesory graficzne nie mogą uruchamiać kodu użytkownika
    • Bezpośrednie użycie CUDA jest nielegalne
    • Wewnętrznie nazywają zoptymalizowane biblioteki CUDA, takie jak cuDNN i cuBLAS
    • Działają tylko na procesorach
  4. Co to jest „rozbieżność warp” i dlaczego wpływa negatywnie na wydajność?
    • Błąd sieciowy powodujący odrzucanie pakietów
    • Procesor graficzny fizycznie ugina się pod wpływem ciepła
    • Błąd usuwający pamięć
    • Wątki w osnowie mają różne gałęzie i muszą działać szeregowo
  5. Dlaczego „połączony” dostęp do pamięci jest ważny w CUDA?
    • Sąsiednie wątki czytające sąsiednie adresy są znacznie wydajniejsze
    • Szyfruje dane automatycznie
    • Zwalnia miejsce na dysku
    • Wyłącza wentylatory GPU
  6. What is OpenAI Triton in relation to CUDA programming?
    • A CUDA driver that replaces NVIDIA GPUs
    • A Python-like language and compiler for writing efficient GPU kernels
    • A model-serving server that only loads TensorFlow checkpoints
    • A framework that converts GPUs into CPUs
  7. What does a CUDA kernel launch configuration specify?
    • A model tokenizer vocabulary
    • The number of training labels
    • The grid and block dimensions used to organize thread execution
    • The host operating system
  8. Why might a CUDA kernel use shared memory?
    • To make data available across every cluster without communication
    • To replace all registers
    • To store the model permanently on the GPU
    • To let threads in a block reuse data from a faster on-chip memory space