Викторина, связанная с руководством · Средний Уровень

Викторина по тензорным ядрам

Охватывает матричные операции Tensor Core, накопление смешанной точности, программное разбиение на части и числовые форматы, зависящие от архитектуры.

Связанные направляющие путиТензорные ядра
Вопрос 1 из 8

Для ускорения каких основных математических операций специально предназначены тензорные ядра?

Предварительный просмотр каждого вопроса8 вопросы

Ответы и пояснения появляются по мере прохождения теста.

  1. Для ускорения каких основных математических операций специально предназначены тензорные ядра?
    • Матрица умножения и накопления (D = A x B + C)
    • Сортировка больших списков номеров
    • Генерация случайных чисел
    • Шифрование и дешифрование данных
  2. Какая архитектура графического процессора NVIDIA впервые представила тензорные ядра?
    • Паскаль
    • Вольта
    • Тьюринг
    • Максвелл
  3. Почему тензорные ядра часто используют пониженную точность, например FP16 или FP8?
    • Для ИИ по закону требуется более низкая точность
    • Более высокая точность невозможна на графическом процессоре
    • Это позволяет обрабатывать больше чисел за такт, повышая пропускную способность при сохранении приемлемой точности.
    • Это делает чип физически меньше
  4. Чтобы сохранить точность, какую точность тензорные ядра обычно используют для текущей суммы (накопления)?
    • Такая же низкая точность, как и у входных данных.
    • Накопление не производится
    • Только целые числа без дробей
    • Более высокая точность, например FP32.
  5. Как повседневные платформы искусственного интеллекта, такие как PyTorch, используют тензорные ядра?
    • Библиотеки, такие как cuBLAS и cuDNN, автоматически разбивают большие матрицы на маленькие блоки, которые ядра могут обрабатывать.
    • Разработчики должны вручную писать сборку для каждой модели.
    • Тензорные ядра работают только с нестандартным оборудованием, к которому не может подключиться никакое программное обеспечение.
    • Они вообще не могут использоваться высокоуровневыми фреймворками.
  6. Какой новый числовой формат был добавлен в архитектуру Blackwell, чтобы еще больше повысить производительность вывода?
    • FP64 (двойная точность)
    • FP4 (4-битная с плавающей запятой)
    • ASCII
    • ФП128
  7. Why should a team validate model quality when changing Tensor Core input precision?
    • Reduced precision guarantees identical outputs
    • The model’s vocabulary changes automatically
    • Lower-precision arithmetic can change numerical results, so accuracy should be checked for the task
    • Tensor Cores remove all rounding effects
  8. Which computer-vision feature is a practical example of Tensor Core acceleration?
    • A database index with no matrix operations
    • A file compressor that never runs a neural network
    • A CPU-only spreadsheet calculation
    • Neural upscaling such as NVIDIA DLSS in games