แบบทดสอบที่เชื่อมโยงกับคำแนะนำ · ยาก ระดับ

แบบทดสอบรูปแบบ FP8 และความแม่นยำต่ำ

ฝึกฝนตัวเลือกเลขชี้กำลังและแมนทิสซา การปรับขนาด และข้อกำหนดด้านฮาร์ดแวร์ของ FP8 รวมถึงเหตุใดรูปแบบตัวเลขที่น้อยกว่าจึงไม่รับประกันว่าผลลัพธ์จะเหมือนกัน

เส้นทางแนะนำที่เกี่ยวข้องรูปแบบ Fp8 และความแม่นยำต่ำ
คำถาม 1 ของ 8

หมายเลข FP8 ใช้จำนวนบิตเท่าใดเมื่อเทียบกับหมายเลข FP32 มาตรฐาน

ดูตัวอย่างทุกคำถาม8 คำถาม

คำตอบและคำอธิบายจะปรากฏขึ้นเมื่อคุณทำแบบทดสอบ

  1. หมายเลข FP8 ใช้จำนวนบิตเท่าใดเมื่อเทียบกับหมายเลข FP32 มาตรฐาน
    • 8 บิตเทียบกับ 16 บิต (ครึ่ง)
    • 8 บิตเทียบกับ 64 บิต (อันที่แปด)
    • 8 บิตเทียบกับ 32 บิต (หนึ่งในสี่)
    • 8 บิตกับ 8 บิต (เหมือนกัน)
  2. ป้ายกำกับ 'E4M3' และ 'E5M2' อธิบายอะไรเกี่ยวกับรูปแบบ FP8
    • อัตราข้อผิดพลาดและขนาดโมเดล
    • จำนวนบิตเลขชี้กำลังเทียบกับบิตแมนทิสซา
    • ความเร็วสัญญาณนาฬิกาและช่องหน่วยความจำ
    • ยุคการฝึกอบรมและเลเยอร์โมเดล
  3. เหตุใดไปป์ไลน์ FP8 จึงใช้ปัจจัยสเกลกับเทนเซอร์
    • เพื่อเข้ารหัสน้ำหนักเพื่อความปลอดภัย
    • เพื่อเพิ่มจำนวนชั้นโมเดล
    • เพื่อแปลงโมเดลเป็นภาษาอื่น
    • เพื่อเก็บค่าไว้ในช่วงที่เป็นตัวแทนได้แคบของ FP8 และหลีกเลี่ยงการล้น/อันเดอร์โฟลว์
  4. ข้อเสียเปรียบหลักของการใช้ FP8 คืออะไร
    • ลดความแม่นยำเชิงตัวเลข (ข้อผิดพลาดในการปัดเศษ)
    • การใช้หน่วยความจำที่สูงขึ้น
    • การคูณเมทริกซ์ช้าลง
    • ไม่สามารถทำงานบน GPU ใด ๆ
  5. NVIDIA GPU รุ่นใดที่เพิ่มการรองรับฮาร์ดแวร์เฉพาะสำหรับคณิตศาสตร์เมทริกซ์ FP8 เป็นครั้งแรก
    • ปาสคาล (P100)
    • ฮอปเปอร์ (H100)
    • เคปเลอร์ (K80)
    • แม็กซ์เวลล์ (M40)
  6. แนวโน้มของรูปแบบที่แม่นยำจะก้าวไปไกลกว่า FP8 อย่างไร
    • การกลับไปสู่ความแม่นยำสองเท่าแบบ 64 บิตสำหรับการอนุมาน
    • กำจัดจุดลอยตัวทั้งหมดเพื่อสนับสนุนข้อความ
    • ใช้เพียง FP32 สำหรับน้ำหนักทุกรุ่น
    • แม้แต่รูปแบบไมโครสเกลบิตต่ำ เช่น MXFP4 และ NVFP4
  7. A tensor’s values need more dynamic range. Which common FP8 encoding allocates more exponent bits?
    • E5M2
    • E4M3
    • Both allocate zero exponent bits
    • Neither encoding uses an exponent
  8. Why can an FP8 result differ from the same operation using FP32 inputs?
    • Eight-bit input storage is automatically exact for every real value
    • FP8 removes all mathematical operations
    • The lower-precision input representation can introduce rounding error
    • Higher-precision accumulation restores every lost input detail