Тест на контрольные точки градиента

Ответы и пояснения появляются по мере прохождения теста.

1. Чем в первую очередь торгует градиентная контрольная точка в целях экономии памяти?
   • Дополнительные вычисления (перевычисления) для меньшего использования памяти
   • Точность модели для скорости
   • Дисковое пространство для пропускной способности сети
   • Точность в зависимости от размера партии
2. Почему активации обычно сохраняются во время прямого прохода?
   • Чтобы отобразить их пользователю
   • Потому что они нужны обратному распространению ошибки для вычисления градиентов.
   • Для ускорения загрузки данных
   • Они никогда на самом деле не нужны
3. In a simplified chain of N similarly sized layers, what can checkpoint boundaries spaced about sqrt(N) layers apart achieve in the textbook schedule?
   • It stores no activations and performs no recomputation
   • It guarantees constant memory for every model graph
   • Activation storage can scale on the order of sqrt(N) checkpoints
   • It makes optimizer-state memory scale as sqrt(N)
4. What most determines gradient-checkpointing runtime overhead in a practical model?
   • Only the model’s file extension
   • A fixed 20–30% slowdown for every model
   • The number of labels in the dataset
   • Which operations are recomputed, checkpoint placement, graph structure, and hardware
5. Какая утилита обычно используется в PyTorch для применения контрольной точки градиента к модулю?
   • torch.utils.checkpoint
   • torch.optim.SGD
   • torch.nn.Dropout
   • torch.cuda.empty_cache
6. What happens to operations inside a checkpointed region during backward?
   • Their gradients are skipped entirely
   • Their forward computations are rerun to regenerate needed activations
   • Their weights are permanently discarded
   • They are executed only during inference
7. Which training techniques can be combined with activation checkpointing to reduce different memory costs?
   • Only increasing the number of labels
   • Turning off backpropagation
   • FSDP for sharded model state and mixed precision for lower-precision tensors
   • Replacing the model with a tokenizer
8. What is selective activation checkpointing intended to choose?
   • Which training labels are removed
   • Which model outputs are published
   • Which GPU becomes the tokenizer
   • Which operations to save and which to recompute based on their memory and runtime costs