Тест по Kubernetes для рабочих нагрузок машинного обучения

Ответы и пояснения появляются по мере прохождения теста.

1. Какова основная задача планировщика Kubernetes для рабочих нагрузок машинного обучения?
   • Написание обучающего кода для специалистов по обработке данных
   • Решение о том, на каком узле в кластере будет работать каждый контейнерный модуль.
   • Автоматическая маркировка данных обучения
   • Выбор архитектуры нейронной сети
2. Как Kubernetes обычно делает графические процессоры доступными для модуля?
   • Через плагины устройств, которые рекламируют такие ресурсы, как nvidia.com/gpu.
   • Отправив электронное письмо поставщику графического процессора для получения лицензии.
   • Графические процессоры нельзя использовать в Kubernetes
   • Путем преобразования ядер ЦП в графические процессоры во время выполнения
3. With a NoSchedule taint on a GPU node, what does a matching pod toleration do?
   • Forces the pod onto that node regardless of capacity
   • Changes the model’s optimizer
   • Allows the pod to be considered for that node without guaranteeing placement
   • Encrypts every GPU tensor
4. Какой инструмент добавляет специфичные для машинного обучения возможности, например распределенное обучение операторов, поверх Kubernetes?
   • Microsoft Слово
   • Apache для обслуживания статических веб-страниц
   • Макрос электронной таблицы
   • Кубефлоу
5. Почему Kubernetes хорошо подходит для пакетных рабочих нагрузок машинного обучения?
   • Он планирует задания на свободные ресурсы и освобождает это оборудование после завершения заданий.
   • Он навсегда резервирует все графические процессоры для одного пользователя.
   • Это предотвращает сокращение масштабов любой работы.
   • Он запускает только один контейнер на кластер
6. Что означает «масштабирование конечной точки вывода до нуля» в Kubernetes?
   • Удаление модели навсегда
   • Установка точности на ноль процентов
   • Запуск нулевых копий при отсутствии трафика, а затем запуск при следующем запросе
   • Сведение параметров модели к нулю
7. One ML pod requests four GPUs, while two nodes each have only two available. Can ordinary scheduling combine those nodes for that one pod?
   • Yes; every pod automatically spans all cluster nodes
   • Yes; the scheduler converts CPU cores into the missing GPUs
   • Only if the pod name contains the word distributed
   • No; the pod must fit on one eligible node
8. An inference service scales to zero while idle. Which user-facing delay should its team test when traffic resumes?
   • The training-set labeling speed
   • Cold-start delay while a serving replica becomes ready
   • The file size of an unrelated notebook
   • The number of discarded vocabulary tokens