Quiz połączony z przewodnikiem · Średni Poziom

Quiz dotyczący rdzeni tensorowych

Obejmuje operacje na macierzach Tensor Core, akumulację o mieszanej precyzji, kafelkowanie oprogramowania i formaty liczbowe specyficzne dla architektury.

Powiązane ścieżki prowadząceRdzenie Tensorowe
Pytanie 1 z 8

Do jakich podstawowych operacji matematycznych przyspieszają specjalnie zaprojektowane rdzenie Tensor?

Podgląd każdego pytania8 pytania

Odpowiedzi i wyjaśnienia pojawiają się w miarę rozwiązywania quizu.

  1. Do jakich podstawowych operacji matematycznych przyspieszają specjalnie zaprojektowane rdzenie Tensor?
    • Macierz mnoży i gromadzi (D = A x B + C)
    • Sortowanie dużych list liczb
    • Generowanie liczb losowych
    • Szyfrowanie i deszyfrowanie danych
  2. Która architektura procesorów graficznych NVIDIA jako pierwsza wprowadziła rdzenie Tensor?
    • Pascal
    • Wolta
    • Turinga
    • Maxwella
  3. Dlaczego rdzenie Tensor często wykorzystują zmniejszoną precyzję, taką jak FP16 lub FP8?
    • W przypadku sztucznej inteligencji prawo wymaga mniejszej precyzji
    • Wyższa precyzja nie jest możliwa na GPU
    • Umożliwia przetwarzanie większej liczby liczb na zegar, zwiększając przepustowość przy zachowaniu akceptowalnej dokładności
    • Dzięki temu chip jest fizycznie mniejszy
  4. Aby zachować dokładność, jakiej precyzji zwykle używają rdzenie Tensor dla sumy bieżącej (akumulacji)?
    • Ta sama niska precyzja co wejścia
    • Nie przeprowadza się akumulacji
    • Tylko liczby całkowite, bez ułamków
    • Większa precyzja, taka jak FP32
  5. W jaki sposób codzienne platformy AI, takie jak PyTorch, wykorzystują rdzenie Tensor?
    • Biblioteki takie jak cuBLAS i cuDNN automatycznie dzielą duże macierze na małe bloki, które mogą przetwarzać rdzenie
    • Programiści muszą ręcznie napisać montaż dla każdego modelu
    • Rdzenie Tensor działają tylko na niestandardowym sprzęcie, do którego nie ma dostępu żadne oprogramowanie
    • W ogóle nie można ich używać w frameworkach wysokiego poziomu
  6. Który nowszy format liczbowy dodała architektura Blackwell, aby jeszcze bardziej zwiększyć przepustowość wnioskowania?
    • FP64 (podwójna precyzja)
    • FP4 (4-bitowy zmiennoprzecinkowy)
    • 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