Test Slurm pentru grupurile de instruire AI

Răspunsurile și explicațiile apar pe măsură ce susțineți testul.

1. Ce comandă folosesc de obicei utilizatorii pentru a trimite o lucrare batch către Slurm?
   • lot
   • se aplică kubectl
   • docker run
   • git push
2. Cum solicită un loc de muncă Slurm GPU-uri?
   • Prin editarea înregistrărilor DNS
   • Printr-o directivă --gres=gpu
   • Numai prin intermediul unui formular web
   • GPU-urile nu pot fi solicitate în Slurm
3. Ce componentă Slurm ia deciziile centrale de programare?
   • slurmd
   • srun
   • slurmctld
   • lot
4. Why can srun help launch distributed training tasks inside a Slurm allocation?
   • It automatically restores every model checkpoint
   • It replaces slurmctld as the scheduler
   • It converts a single GPU into multiple physical GPUs
   • It launches coordinated tasks across allocated nodes; the training setup may still need explicit DDP configuration
5. Care este scopul programării rambleului în Slurm?
   • Pentru a rula lucrări scurte în goluri fără a întârzia lucrările cu prioritate mai mare
   • Pentru a șterge joburi vechi
   • Pentru a overclocka GPU-urile
   • Pentru a cripta jurnalele de joburi
6. What must an AI training script do so a requeued Slurm job can continue after a node failure?
   • Assume Slurm stores model weights automatically
   • Save checkpoints and reload them when the job restarts
   • Disable resource accounting
   • Submit a new job without restoring state
7. Which Slurm daemon normally runs on each compute node to launch tasks and report node status?
   • slurmctld
   • sbatchd
   • slurmd
   • gresctl
8. What can Slurm resource accounting help cluster administrators track?
   • The model’s validation accuracy automatically
   • The semantic content of training data
   • Whether every checkpoint is scientifically valid
   • Job resource use such as allocated CPUs, GPUs and time