Викторина, связанная с руководством · Жесткий Уровень

Викторина по программированию CUDA и GPU

Ознакомьтесь с основными концепциями CUDA, включая ядра, выполнение SIMT, доступ к памяти, общую память и инструменты программирования графического процессора более высокого уровня.

Связанные направляющие путиПрограммирование на Cuda и GPU
Вопрос 1 из 8

Что такое «ядро» в терминологии CUDA?

Предварительный просмотр каждого вопроса8 вопросы

Ответы и пояснения появляются по мере прохождения теста.

  1. Что такое «ядро» в терминологии CUDA?
    • Функция, выполняемая параллельно многими потоками графического процессора.
    • Ядро операционной системы
    • Тип чипа памяти
    • Система охлаждения графического процессора
  2. Что означает модель выполнения SIMT?
    • Медленный ввод, много переводов
    • Одна инструкция, несколько потоков выполняют одну и ту же инструкцию для разных данных.
    • Одно изображение, несколько текстур
    • Последовательные инструкции, ручная синхронизация
  3. Почему PyTorch и TensorFlow редко требуют от пользователей написания сырого CUDA?
    • Графические процессоры не могут запускать пользовательский код
    • CUDA запрещено использовать напрямую
    • Они внутренне вызывают оптимизированные библиотеки CUDA, такие как cuDNN и cuBLAS.
    • Они работают только на процессорах
  4. Что такое «варп-дивергенция» и почему она снижает производительность?
    • Сетевая ошибка, приводящая к потере пакетов
    • Графический процессор физически изгибается под воздействием тепла
    • Ошибка, которая удаляет память
    • Потоки в варпе берут разные ветви и должны выполняться последовательно.
  5. Почему «объединенный» доступ к памяти важен в CUDA?
    • Соседние потоки, читающие соседние адреса, гораздо более эффективны.
    • Он автоматически шифрует данные
    • Это освобождает место на диске
    • Он отключает вентиляторы графического процессора
  6. What is OpenAI Triton in relation to CUDA programming?
    • A CUDA driver that replaces NVIDIA GPUs
    • A Python-like language and compiler for writing efficient GPU kernels
    • A model-serving server that only loads TensorFlow checkpoints
    • A framework that converts GPUs into CPUs
  7. What does a CUDA kernel launch configuration specify?
    • A model tokenizer vocabulary
    • The number of training labels
    • The grid and block dimensions used to organize thread execution
    • The host operating system
  8. Why might a CUDA kernel use shared memory?
    • To make data available across every cluster without communication
    • To replace all registers
    • To store the model permanently on the GPU
    • To let threads in a block reuse data from a faster on-chip memory space