Викторина, связанная с руководством · Средний Уровень
Отказоустойчивость и сбои графического процессора в викторине Scale
Создавайте отказоустойчивое распределенное обучение с помощью устойчивых контрольных точек, сигналов работоспособности, политик перезапуска и проверенного поведения при восстановлении.
Вопрос 1 из 8
Почему сбой одного работника может прервать работу распределенного обучения?
Предварительный просмотр каждого вопроса8 вопросы
Ответы и пояснения появляются по мере прохождения теста.
- Почему сбой одного работника может прервать работу распределенного обучения?
- Every rank can continue an update after any peer disappears
- A process exit never affects other workers
- Workers coordinate computation and synchronization across devices
- Distributed updates require no communication between participants
- Какое состояние может потребоваться для добросовестного возобновления тренировок?
- Model weights without optimizer or scheduler state
- Model, optimizer, scheduler, progress, and relevant random state
- Epoch count without data progress
- Train-test split metadata without model state
- Where should recovery checkpoints be stored for node-loss recovery?
- Ephemeral node disk
- GPU memory
- A host page cache
- Durable storage that survives the failed node
- Почему политики перезапуска должны отличать сбои инфраструктуры от детерминированных ошибок?
- Blind retries can repeat a code or data failure indefinitely
- A transient timeout can never recover
- Every process crash corrupts all training data
- Restart repairs malformed input records
- Что может измениться, когда эластичное обучение скорректирует количество работников?
- The number of data-loader workers only
- The GPU model changes when workers are removed
- Effective batch, data sharding, and training schedule
- The parameter count changes with rank assignment
- Зачем тестировать восстановление, завершая работу в промежуточном режиме?
- A staging run proves that hardware failures cannot recur
- A controlled worker termination verifies checkpoint consistency and restart behavior
- A restart test removes the need to keep durable checkpoints
- A recovery test confirms convergence without restoring state
- What can GPU health monitoring reveal?
- Class-specific prediction errors
- Data split leakage
- Optimizer convergence speed
- Thermal, memory, power, driver, or interconnect issues
- What should be checked after a job resumes from a checkpoint?
- Training progress and evaluation behavior remain consistent
- A single rank restarted while others retained stale state
- The checkpoint timestamp changed after loading
- The worker count remains identical after a membership change