Test legat de ghid · Mediu Nivel

Test Kubernetes pentru încărcături de lucru ML

Apply Kubernetes ML pod placement, GPU device resources, and taint tolerations, including why distributed training needs appropriate per-node capacity.

Căi de ghidare aferenteKubernetes pentru încărcături de lucru ML
Întrebare 1 de 8

Care este sarcina principală a programatorului Kubernetes pentru sarcinile de lucru ML?

Previzualizează fiecare întrebare8 întrebări

Răspunsurile și explicațiile apar pe măsură ce susțineți testul.

  1. Care este sarcina principală a programatorului Kubernetes pentru sarcinile de lucru ML?
    • Scrierea codului de instruire pentru cercetătorii de date
    • Decizia care nod din cluster rulează fiecare pod containerizat
    • Etichetarea automată a datelor de antrenament
    • Alegerea arhitecturii rețelei neuronale
  2. Cum face Kubernetes de obicei GPU-urile disponibile pentru un pod?
    • Prin pluginuri pentru dispozitive care promovează resurse precum nvidia.com/gpu
    • Trimițând un e-mail furnizorului GPU pentru o licență
    • GPU-urile nu pot fi folosite în Kubernetes
    • Prin conversia nucleelor CPU în GPU-uri în timpul rulării
  3. With a NoSchedule taint on a GPU node, what does a matching pod toleration do?
    • Forces the pod onto that node regardless of capacity
    • Changes the model’s optimizer
    • Allows the pod to be considered for that node without guaranteeing placement
    • Encrypts every GPU tensor
  4. Ce instrument adaugă capabilități specifice ML, cum ar fi operatorii de formare distribuită, peste Kubernetes?
    • Microsoft Cuvânt
    • Apache pentru servirea paginilor web statice
    • O macrocomandă de foaie de calcul
    • Kubeflow
  5. De ce este Kubernetes bine potrivit pentru sarcinile de lucru ML explozive?
    • Programează lucrări pe resurse gratuite și eliberează acel hardware când lucrările se termină
    • Rezervă permanent toate GPU-urile pentru un utilizator
    • Împiedică orice lucrare să se reducă vreodată
    • Rulează doar un container pe cluster
  6. Ce înseamnă „scalarea unui punct final de inferență la zero” pe Kubernetes?
    • Ștergerea definitivă a modelului
    • Setarea preciziei la zero procente
    • Se rulează zero copii când nu există trafic, apoi se rulează la următoarea solicitare
    • Reducerea parametrilor modelului la zero
  7. One ML pod requests four GPUs, while two nodes each have only two available. Can ordinary scheduling combine those nodes for that one pod?
    • Yes; every pod automatically spans all cluster nodes
    • Yes; the scheduler converts CPU cores into the missing GPUs
    • Only if the pod name contains the word distributed
    • No; the pod must fit on one eligible node
  8. An inference service scales to zero while idle. Which user-facing delay should its team test when traffic resumes?
    • The training-set labeling speed
    • Cold-start delay while a serving replica becomes ready
    • The file size of an unrelated notebook
    • The number of discarded vocabulary tokens