Test legat de ghid · Mediu Nivel

Test de partiționare GPU cu mai multe instanțe

Aplicați profiluri MIG, resurse de instanță GPU-versus-compute și expunerea dispozitivului, inclusiv de ce hardware-ul acceptat determină alegerile de partiție.

Căi de ghidare aferentePartiționare GPU cu mai multe instanțe
Întrebare 1 de 8

Which resource boundary distinguishes separate MIG GPU Instances from software time slicing?

Previzualizează fiecare întrebare8 întrebări

Răspunsurile și explicațiile apar pe măsură ce susțineți testul.

  1. Which resource boundary distinguishes separate MIG GPU Instances from software time slicing?
    • Only a different process priority on one shared execution queue
    • A guaranteed absence of every host or device failure
    • A separate network cable for every CUDA kernel
    • Dedicated hardware compute and memory resources for each GPU Instance
  2. Pe ce arhitectură NVIDIA a fost introdus prima dată MIG?
    • Volta
    • Amperi (A100)
    • Turing
    • Pascal
  3. On an A100 40 GB using supported small-instance profiles, how many GPU Instances can a layout provide?
    • Exactly sixteen on every supported GPU
    • Exactly two regardless of profile
    • Up to seven
    • An unlimited number with no memory limits
  4. Într-un profil MIG precum „1g.5gb”, ce reprezintă „5gb”?
    • Memoria alocată acelei instanțe
    • Numărul de SM-uri
    • Lățimea de bandă PCIe
    • Viteza ceasului
  5. Pentru ce sarcină de lucru este potrivită mai ales MIG?
    • O singură cursă masivă de antrenament care necesită întregul GPU
    • Servirea de inferențe multi-locatari cu latență previzibilă
    • Preprocesare a datelor legată de CPU
    • Depozitare la rece pe termen lung
  6. Cum poate un cluster Kubernetes să expună instanțe MIG la pod-uri?
    • Ca volume de disc brute
    • Doar prin SSH manual
    • Ca resurse programabile, cum ar fi „nvidia.com/mig-1g.5gb”
    • Prin înregistrări DNS
  7. Two Compute Instances belong to the same MIG GPU Instance. Which resources do they share?
    • Their parent GPU Instance’s memory resources
    • Only a remote CPU’s filesystem
    • Separate complete copies of physical GPU memory
    • Every compute slice on unrelated GPUs
  8. A team wants to deploy a named MIG profile on a new GPU model. What should it check first?
    • That every NVIDIA GPU supports identical profiles
    • That the model parameter count is an even integer
    • That the Kubernetes pod name contains the profile text
    • That the GPU supports MIG and that exact profile layout