Test legat de ghid · Mediu Nivel

Test cu puncte de control în gradient

Explains activation rematerialization, memory savings, schedule-dependent compute overhead, and combinations with sharding and mixed precision.

Căi de ghidare aferentePunct de control în gradient
Întrebare 1 de 8

Ce schimbă în primul rând punctele de control în gradient pentru a economisi memorie?

Previzualizează fiecare întrebare8 întrebări

Răspunsurile și explicațiile apar pe măsură ce susțineți testul.

  1. Ce schimbă în primul rând punctele de control în gradient pentru a economisi memorie?
    • Calcul suplimentar (recalculare) pentru o utilizare mai redusă a memoriei
    • Precizia modelului pentru viteza
    • Spațiu pe disc pentru lățimea de bandă a rețelei
    • Precizie pentru dimensiunea lotului
  2. De ce sunt în mod normal stocate activările în timpul trecerii înainte?
    • Pentru a le afișa utilizatorului
    • Deoarece retropropagarea are nevoie de ele pentru a calcula gradienții
    • Pentru a accelera încărcarea datelor
    • Ele nu sunt niciodată necesare
  3. In a simplified chain of N similarly sized layers, what can checkpoint boundaries spaced about sqrt(N) layers apart achieve in the textbook schedule?
    • It stores no activations and performs no recomputation
    • It guarantees constant memory for every model graph
    • Activation storage can scale on the order of sqrt(N) checkpoints
    • It makes optimizer-state memory scale as sqrt(N)
  4. What most determines gradient-checkpointing runtime overhead in a practical model?
    • Only the model’s file extension
    • A fixed 20–30% slowdown for every model
    • The number of labels in the dataset
    • Which operations are recomputed, checkpoint placement, graph structure, and hardware
  5. În PyTorch, ce utilitar este folosit în mod obișnuit pentru a aplica puncte de control în gradient unui modul?
    • torch.utils.checkpoint
    • torță.optim.SGD
    • torţă.nn.Dropout
    • torch.cuda.empty_cache
  6. What happens to operations inside a checkpointed region during backward?
    • Their gradients are skipped entirely
    • Their forward computations are rerun to regenerate needed activations
    • Their weights are permanently discarded
    • They are executed only during inference
  7. Which training techniques can be combined with activation checkpointing to reduce different memory costs?
    • Only increasing the number of labels
    • Turning off backpropagation
    • FSDP for sharded model state and mixed precision for lower-precision tensors
    • Replacing the model with a tokenizer
  8. What is selective activation checkpointing intended to choose?
    • Which training labels are removed
    • Which model outputs are published
    • Which GPU becomes the tokenizer
    • Which operations to save and which to recompute based on their memory and runtime costs