แบบทดสอบที่เชื่อมโยงกับคำแนะนำ · ปานกลาง ระดับ

แบบทดสอบ Kubernetes สำหรับปริมาณงาน ML

ใช้การวางตำแหน่งพ็อด Kubernetes ML, ทรัพยากรของอุปกรณ์ GPU และความทนทานต่อเทนต์ รวมถึงสาเหตุที่การฝึกอบรมแบบกระจายต้องการความจุต่อโหนดที่เหมาะสม

เส้นทางแนะนำที่เกี่ยวข้องKubernetes สําหรับงาน ML
คำถาม 1 ของ 8

งานหลักของตัวกำหนดเวลา Kubernetes สำหรับปริมาณงาน ML คืออะไร

ดูตัวอย่างทุกคำถาม8 คำถาม

คำตอบและคำอธิบายจะปรากฏขึ้นเมื่อคุณทำแบบทดสอบ

  1. งานหลักของตัวกำหนดเวลา Kubernetes สำหรับปริมาณงาน ML คืออะไร
    • การเขียนโค้ดการฝึกอบรมสำหรับนักวิทยาศาสตร์ข้อมูล
    • ตัดสินใจว่าโหนดใดในคลัสเตอร์ที่จะรันแต่ละพ็อดที่มีคอนเทนเนอร์
    • การติดฉลากข้อมูลการฝึกอบรมโดยอัตโนมัติ
    • การเลือกสถาปัตยกรรมโครงข่ายประสาทเทียม
  2. โดยทั่วไปแล้ว Kubernetes ทำให้ GPU พร้อมใช้งานกับพ็อดได้อย่างไร
    • ผ่านปลั๊กอินของอุปกรณ์ที่โฆษณาทรัพยากรเช่น nvidia.com/gpu
    • โดยการส่งอีเมลขอใบอนุญาตจากผู้จำหน่าย GPU
    • GPU ไม่สามารถใช้ใน Kubernetes
    • โดยการแปลงคอร์ CPU เป็น GPU ขณะรันไทม์
  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. เครื่องมือใดเพิ่มความสามารถเฉพาะของ ML เช่น ผู้ดำเนินการฝึกอบรมแบบกระจายนอกเหนือจาก Kubernetes
    • Microsoft คำพูด
    • Apache สำหรับการให้บริการหน้าเว็บแบบคงที่
    • แมโครสเปรดชีต
    • คูเบโฟลว์
  5. เหตุใด Kubernetes จึงเหมาะสมกับปริมาณงาน ML ที่ต่อเนื่อง
    • โดยจะจัดตารางเวลางานบนทรัพยากรฟรีและปล่อยฮาร์ดแวร์นั้นให้ว่างเมื่องานเสร็จสิ้น
    • สงวน GPU ทั้งหมดไว้อย่างถาวรสำหรับผู้ใช้หนึ่งราย
    • มันป้องกันไม่ให้งานใด ๆ ที่เคยลดขนาดลง
    • โดยจะรันเพียงหนึ่งคอนเทนเนอร์ต่อคลัสเตอร์เท่านั้น
  6. 'การปรับขนาดจุดสิ้นสุดการอนุมานเป็นศูนย์' หมายถึงอะไรบน Kubernetes
    • การลบโมเดลอย่างถาวร
    • การตั้งค่าความแม่นยำเป็นศูนย์เปอร์เซ็นต์
    • เรียกใช้สำเนาเป็นศูนย์เมื่อไม่มีการรับส่งข้อมูล จากนั้นจึงหมุนตามคำขอถัดไป
    • การลดพารามิเตอร์ของโมเดลให้เป็นศูนย์
  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