Test legat de ghid · Mediu Nivel

Testul nucleelor tensoarelor

Covers Tensor Core matrix operations, mixed-precision accumulation, software tiling, and architecture-specific numeric formats.

Căi de ghidare aferenteMiezuri tensoare
Întrebare 1 de 8

Ce operație matematică de bază sunt concepute special pentru a accelera Tensor Cores?

Previzualizează fiecare întrebare8 întrebări

Răspunsurile și explicațiile apar pe măsură ce susțineți testul.

  1. Ce operație matematică de bază sunt concepute special pentru a accelera Tensor Cores?
    • Înmulțirea și acumularea matricei (D = A x B + C)
    • Sortarea listelor mari de numere
    • Generarea numerelor aleatorii
    • Criptarea și decriptarea datelor
  2. Ce arhitectură GPU NVIDIA a introdus pentru prima dată Tensor Cores?
    • Pascal
    • Volta
    • Turing
    • Maxwell
  3. De ce Tensor Cores folosesc adesea precizie redusă, cum ar fi FP16 sau FP8?
    • Precizie mai mică este cerută de lege pentru AI
    • O precizie mai mare este imposibilă pe un GPU
    • Permite procesarea mai multor numere pe ceas, sporind randamentul, păstrând în același timp precizia acceptabilă
    • Face cipul mai mic din punct de vedere fizic
  4. Pentru a păstra acuratețea, ce precizie utilizează de obicei Tensor Cores pentru suma curentă (acumulare)?
    • Aceeași precizie scăzută ca și intrările
    • Nu se efectuează acumulare
    • Numai întregi fără fracții
    • O precizie mai mare, cum ar fi FP32
  5. Cum folosesc cadrele AI de zi cu zi precum PyTorch Tensor Cores?
    • Biblioteci precum cuBLAS și cuDNN împletesc automat matrice mari în blocuri mici pe care nucleele le pot procesa
    • Dezvoltatorii trebuie să scrie manual asamblarea pentru fiecare model
    • Tensor Cores funcționează numai cu hardware personalizat, niciun software nu poate ajunge
    • Ele nu pot fi folosite deloc de cadrele de nivel înalt
  6. Ce format numeric mai nou a adăugat arhitectura Blackwell pentru a împinge debitul de inferență și mai mult?
    • FP64 (dublă precizie)
    • FP4 (virgula mobilă pe 4 biți)
    • 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