Rehber bağlantılı sınav · Sert Seviye

CUDA ve GPU Programlama Sınavı

Çekirdekler, SIMT yürütme, bellek erişimi, paylaşılan bellek ve üst düzey GPU programlama araçları dahil olmak üzere temel CUDA kavramlarını kontrol edin.

İlgili kılavuz yollarıCuda ve GPU Programlama
Soru 1 arasında 8

CUDA terminolojisinde 'çekirdek' nedir?

Her soruyu önizleyin8 sorular

Testi çözdüğünüzde cevaplar ve açıklamalar görünür.

  1. CUDA terminolojisinde 'çekirdek' nedir?
    • Birçok GPU iş parçacığı tarafından paralel olarak çalıştırılan bir işlev
    • Bir işletim sisteminin çekirdeği
    • Bir tür bellek yongası
    • GPU'nun soğutma sistemi
  2. SIMT yürütme modeli ne anlama geliyor?
    • Yavaş Giriş, Birçok Transfer
    • Tek Talimat, Çoklu İş Parçacığı aynı talimatı farklı veriler üzerinde çalıştırır
    • Tek Görüntü, Çoklu Dokular
    • Sıralı Talimatlar, Manuel Zamanlama
  3. PyTorch ve TensorFlow neden kullanıcıların nadiren ham CUDA yazmasını gerektiriyor?
    • GPU'lar kullanıcı kodunu çalıştıramaz
    • CUDA'nın doğrudan kullanılması yasa dışıdır
    • Dahili olarak cuDNN ve cuBLAS gibi optimize edilmiş CUDA kitaplıklarını çağırıyorlar
    • Yalnızca CPU'larda çalışırlar
  4. 'Warp sapması' nedir ve performansa neden zarar verir?
    • Paketleri düşüren bir ağ hatası
    • GPU ısı altında fiziksel olarak bükülüyor
    • Belleği silen bir hata
    • Bir çözgüdeki iplikler farklı dallar alır ve seri olarak çalışmalıdır
  5. CUDA'da 'birleşik' bellek erişimi neden önemlidir?
    • Bitişik adresleri okuyan bitişik iş parçacıkları çok daha verimlidir
    • Verileri otomatik olarak şifreler
    • Disk alanını boşaltır
    • GPU fanlarını devre dışı bırakır
  6. What is OpenAI Triton in relation to CUDA programming?
    • A CUDA driver that replaces NVIDIA GPUs
    • A Python-like language and compiler for writing efficient GPU kernels
    • A model-serving server that only loads TensorFlow checkpoints
    • A framework that converts GPUs into CPUs
  7. What does a CUDA kernel launch configuration specify?
    • A model tokenizer vocabulary
    • The number of training labels
    • The grid and block dimensions used to organize thread execution
    • The host operating system
  8. Why might a CUDA kernel use shared memory?
    • To make data available across every cluster without communication
    • To replace all registers
    • To store the model permanently on the GPU
    • To let threads in a block reuse data from a faster on-chip memory space