Викторина по параллелизму данных

Ответы и пояснения появляются по мере прохождения теста.

1. Что содержит каждый графический процессор при стандартном параллелизме данных?
   • Полная копия модели, обрабатывающая другой фрагмент пакета.
   • Другой фрагмент слоев модели
   • Только состояние оптимизатора с весами, хранящимися централизованно.
   • Сжатая версия модели с меньшим количеством параметров.
2. Какая операция связи обеспечивает синхронизацию реплик модели на каждом этапе?
   • Broadcast, при котором данные одного графического процессора копируются на все остальные.
   • All-reduce, который усредняет градиенты по всем графическим процессорам.
   • Scatter, который делит данные между графическими процессорами.
   • Никакая связь между графическими процессорами не требуется.
3. What memory limit remains in plain data parallelism?
   • The full model is sharded automatically across the GPUs
   • Only the input batch uses device memory
   • Each GPU keeps model parameters and optimizer state replicated, limiting the model size that fits
   • Each worker stores different model layers by default
4. Which factors does NCCL use when selecting collective algorithms?
   • Only the random seed and learning rate
   • Only the total number of model parameters
   • The optimizer type and validation score
   • Message size and topology
5. Как PyTorch DistributedDataParallel скрывает задержку связи?
   • Перекрывая градиент, все уменьшаем с продолжающимся обратным проходом.
   • Пропуская синхронизацию градиента на чередующихся шагах
   • Сжимая все градиенты до одного числа
   • Запустив прямой проход на ЦП
6. With equal local batch size B on each of W data-parallel workers, what is the global batch for one synchronized step?
   • B divided by W
   • B multiplied by W, before any gradient-accumulation factor
   • Always exactly W samples
   • The model parameter count divided by B
7. Why may adding more data-parallel GPUs fail to increase throughput proportionally?
   • All-reduce makes model parameters disappear
   • The model is copied only to one worker
   • Gradient communication, data loading, and synchronization add overhead
   • More workers always reduce the global batch to zero
8. What does gradient accumulation let a data-parallel training loop do?
   • Shard parameters automatically across all workers
   • Skip forward and backward computation
   • Replace the model with an all-reduce operation
   • Combine gradients from multiple microbatches before an optimizer update