แบบทดสอบที่เชื่อมโยงกับคำแนะนำ · ปานกลาง ระดับ
แบบทดสอบเทนเซอร์คอร์
ครอบคลุมการทำงานของเมทริกซ์ Tensor Core การสะสมที่มีความแม่นยำแบบผสม การเรียงซอฟต์แวร์ และรูปแบบตัวเลขเฉพาะทางสถาปัตยกรรม
คำถาม 1 ของ 8
การดำเนินการทางคณิตศาสตร์หลักใดคือ Tensor Cores ที่ออกแบบมาเพื่อเร่งความเร็วโดยเฉพาะ
ดูตัวอย่างทุกคำถาม8 คำถาม
คำตอบและคำอธิบายจะปรากฏขึ้นเมื่อคุณทำแบบทดสอบ
- การดำเนินการทางคณิตศาสตร์หลักใดคือ Tensor Cores ที่ออกแบบมาเพื่อเร่งความเร็วโดยเฉพาะ
- เมทริกซ์คูณและสะสม (D = A x B + C)
- การเรียงลำดับรายการตัวเลขจำนวนมาก
- การสร้างตัวเลขสุ่ม
- การเข้ารหัสและถอดรหัสข้อมูล
- สถาปัตยกรรม NVIDIA GPU ใดที่เปิดตัว Tensor Cores เป็นครั้งแรก
- ปาสคาล
- โวลต้า
- ทัวริง
- แม็กซ์เวลล์
- เหตุใด Tensor Core จึงมักใช้ความแม่นยำลดลง เช่น FP16 หรือ FP8
- กฎหมายกำหนดความแม่นยำที่ต่ำกว่าสำหรับ AI
- ความแม่นยำสูงกว่านั้นเป็นไปไม่ได้บน GPU
- ช่วยให้สามารถประมวลผลตัวเลขต่อนาฬิกาได้มากขึ้น ช่วยเพิ่มปริมาณงานโดยยังคงรักษาความแม่นยำไว้ได้
- มันทำให้ชิปมีขนาดเล็กลง
- เพื่อรักษาความแม่นยำ โดยทั่วไป Tensor Cores จะใช้ความแม่นยำเท่าใดสำหรับผลรวมรัน (การสะสม)
- ความแม่นยำต่ำเช่นเดียวกับอินพุต
- ไม่มีการสะสม
- จำนวนเต็มเท่านั้นโดยไม่มีเศษส่วน
- ความแม่นยำสูงกว่าเช่น FP32
- เฟรมเวิร์ก AI ในชีวิตประจำวันอย่าง PyTorch ใช้ประโยชน์จาก Tensor Cores ได้อย่างไร
- ไลบรารีเช่น cuBLAS และ cuDNN จะเรียงเมทริกซ์ขนาดใหญ่เป็นบล็อกเล็กๆ ที่คอร์สามารถประมวลผลได้โดยอัตโนมัติ
- นักพัฒนาจะต้องเขียนแอสเซมบลีด้วยมือสำหรับทุกรุ่น
- Tensor Cores ใช้งานได้เฉพาะกับฮาร์ดแวร์แบบกำหนดเองที่ไม่มีซอฟต์แวร์ใดสามารถเข้าถึงได้
- ไม่สามารถใช้กับเฟรมเวิร์กระดับสูงได้เลย
- สถาปัตยกรรม Blackwell เพิ่มรูปแบบตัวเลขที่ใหม่กว่าใดเพื่อเพิ่มปริมาณงานการอนุมานให้สูงขึ้น
- FP64 (ความแม่นยำสองเท่า)
- FP4 (จุดลอยตัว 4 บิต)
- แอสกี
- FP128
- 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
- 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