Викторина, связанная с руководством · Средний Уровень

GPU против TPU для викторины по искусственному интеллекту

Прежде чем выбирать оборудование, сравните архитектуры графических процессоров и TPU, поддержку программного обеспечения, системные ограничения и доказательства, необходимые командам для конкретных рабочих нагрузок.

Связанные направляющие путиGPU против TPU для ИИ
Вопрос 1 из 8

Which frameworks does the guide list as supported for Cloud TPU workloads?

Предварительный просмотр каждого вопроса8 вопросы

Ответы и пояснения появляются по мере прохождения теста.

  1. Which frameworks does the guide list as supported for Cloud TPU workloads?
    • JAX, TensorFlow, and PyTorch/XLA
    • CUDA C++ only
    • PyTorch CPU and ONNX Runtime only
    • TensorFlow Lite only
  2. Кто проектирует ТПУ?
    • NVIDIA
    • Google
    • Интел
    • Apple
  3. Какая базовая аппаратная структура обеспечивает эффективность TPU при умножении матриц?
    • Вращающийся магнитный диск
    • Большой блок механических реле
    • Систолический массив многократных накопительных единиц
    • Одно сверхбыстрое ядро
  4. Which system factors can affect a GPU-versus-TPU performance comparison?
    • Only the accelerator’s peak operation count
    • Only the number of parameters in the model
    • Only the cloud region name
    • Model support, software, interconnects, memory, utilization, and deployment cost
  5. What is a practical strength of GPUs relative to TPUs for many teams?
    • A broad ecosystem of CUDA libraries, tools, and existing GPU-supported workloads
    • A guarantee that every model is faster on a GPU
    • A requirement that all training use TensorFlow
    • A built-in advantage in every cost comparison
  6. Why does the guide recommend benchmarking the intended workload on the specific platform?
    • Peak operation counts always predict end-to-end speed exactly
    • Measured results depend on workload shape, kernels, input pipeline, memory, and system scaling
    • All workloads use the same hardware path and precision
    • A benchmark removes the need to check software support
  7. What should a team compare before choosing between a GPU and a TPU for training?
    • Peak FLOPS alone for an unrelated precision
    • The chip’s name and product launch date
    • End-to-end time and cost for its model, framework, input pipeline, and target scale
    • A benchmark from a different model and software stack
  8. How does Google describe a TPU pod?
    • A single GPU with no network
    • A CPU-only cluster
    • A model format
    • A group of TPU chips connected through a high-speed interconnect