Testul TensorRT și Motoarele de Inferență

Răspunsurile și explicațiile apar pe măsură ce susțineți testul.

1. What is the goal of building an inference engine with TensorRT?
   • Guarantee the fastest possible execution on every system
   • Optimize execution of a supported trained model for the configured target
   • Choose training labels without a dataset
   • Replace every GPU with a CPU
2. Cum accelerează fuziunea stratului inferența?
   • Prin îmbinarea mai multor operațiuni într-un singur nucleu GPU pentru a reduce traficul de memorie
   • Prin ștergerea straturilor care nu sunt necesare
   • Prin rularea fiecărui strat pe un GPU separat
   • Prin conversia modelului pentru a rula pe CPU
3. In a representative-data INT8 calibration workflow, why examine the model’s value distributions?
   • To guarantee no accuracy change under all future inputs
   • To retrain the model from zero automatically
   • To select quantization scales suited to the observed numerical ranges
   • To remove every compatibility requirement
4. De ce un motor TensorRT compilat este, în general, specific unei arhitecturi GPU?
   • Pentru că este criptat la numărul de serie al acelui GPU
   • Pentru că NVIDIA îl acordă pe dispozitiv
   • Pentru că stochează datele de antrenament în interiorul motorului
   • Deoarece reglarea automată a nucleului se coace în cele mai rapide nuclee pentru nucleul exact și aspectul memoriei GPU-ului respectiv
5. Ce caracteristică a TensorRT-LLM ajută în mod special să servească modele mari de limbaj în mod eficient?
   • Loturi în timpul zborului (continuu) și cache KV paginată
   • Mărirea automată a imaginii
   • Găzduire web încorporată
   • Anularea zgomotului audio
6. Why evaluate task accuracy after choosing lower-precision TensorRT execution?
   • Lower precision always preserves every output bit
   • Only the model filename affects predictions
   • Reduced numerical precision can change model outputs or quality
   • Accuracy evaluation is needed only during tokenization
7. A TensorRT dynamic-shape engine receives input outside its configured profile range. What should deployment validation check?
   • Whether the engine can accept every shape without a profile
   • Only whether the model name is short
   • Whether training can restart from a screenshot
   • Whether the profile supports that requested shape
8. A TensorRT engine is moved to a different runtime and GPU configuration. What must the team establish?
   • That any serialized engine runs unchanged everywhere
   • That the selected compatibility settings support the new environment
   • That the engine contains all its original training data
   • That every GPU shares one serial number