Quiz dotyczący równoległości danych

Odpowiedzi i wyjaśnienia pojawiają się w miarę rozwiązywania quizu.

1. Co w standardowej równoległości danych przechowuje każdy procesor graficzny?
   • Kompletna kopia modelu, przetwarzająca inny wycinek partii
   • Inny wycinek warstw modelu
   • Tylko stan optymalizatora, z wagami przechowywanymi centralnie
   • Skompresowana wersja modelu z mniejszą liczbą parametrów
2. Która operacja komunikacji zapewnia synchronizację replik modelu na każdym kroku?
   • Broadcast, który kopiuje dane jednego procesora graficznego do wszystkich pozostałych
   • All-Reduce, który uśrednia gradienty na wszystkich procesorach graficznych
   • Rozproszenie, które dzieli dane pomiędzy procesorami graficznymi
   • Nie jest wymagana żadna komunikacja pomiędzy procesorami graficznymi
3. What memory limit remains in plain data parallelism?
   • The full model is sharded automatically across the GPUs
   • Only the input batch uses device memory
   • Each GPU keeps model parameters and optimizer state replicated, limiting the model size that fits
   • Each worker stores different model layers by default
4. Which factors does NCCL use when selecting collective algorithms?
   • Only the random seed and learning rate
   • Only the total number of model parameters
   • The optimizer type and validation score
   • Message size and topology
5. W jaki sposób PyTorch DistributedDataParallel ukrywa opóźnienia w komunikacji?
   • Nakładając się na gradient, zmniejszaj wszystko wraz z trwającym przejściem do tyłu
   • Pomijając synchronizację gradientów w naprzemiennych krokach
   • Kompresując wszystkie gradienty do jednej liczby
   • Uruchamiając przejście do przodu na procesorze
6. With equal local batch size B on each of W data-parallel workers, what is the global batch for one synchronized step?
   • B divided by W
   • B multiplied by W, before any gradient-accumulation factor
   • Always exactly W samples
   • The model parameter count divided by B
7. Why may adding more data-parallel GPUs fail to increase throughput proportionally?
   • All-reduce makes model parameters disappear
   • The model is copied only to one worker
   • Gradient communication, data loading, and synchronization add overhead
   • More workers always reduce the global batch to zero
8. What does gradient accumulation let a data-parallel training loop do?
   • Shard parameters automatically across all workers
   • Skip forward and backward computation
   • Replace the model with an all-reduce operation
   • Combine gradients from multiple microbatches before an optimizer update