Veri Paralelliği Testi

Testi çözdüğünüzde cevaplar ve açıklamalar görünür.

1. Standart veri paralelliğinde her GPU ne tutar?
   • Partinin farklı bir dilimini işleyen modelin tam bir kopyası
   • Modelin katmanlarının farklı bir dilimi
   • Ağırlıkların merkezi olarak depolandığı yalnızca optimize edici durumu
   • Modelin daha az parametreli sıkıştırılmış versiyonu
2. Hangi iletişim işlemi model kopyalarını her adımda senkronize halde tutar?
   • Bir GPU'nun verilerini diğerlerine kopyalayan yayın
   • Tüm GPU'lardaki degradelerin ortalamasını alan All-azaltma
   • Verileri GPU'lar arasında bölen dağılım
   • GPU'lar arasında iletişime gerek yoktur
3. What memory limit remains in plain data parallelism?
   • The full model is sharded automatically across the GPUs
   • Only the input batch uses device memory
   • Each GPU keeps model parameters and optimizer state replicated, limiting the model size that fits
   • Each worker stores different model layers by default
4. Which factors does NCCL use when selecting collective algorithms?
   • Only the random seed and learning rate
   • Only the total number of model parameters
   • The optimizer type and validation score
   • Message size and topology
5. PyTorch DistributedDataParallel iletişim gecikmesini nasıl gizler?
   • Devam eden geri geçişle degradeyi tamamen azaltın
   • Alternatif adımlarda degrade senkronizasyonunu atlayarak
   • Tüm degradeleri tek bir sayıya sıkıştırarak
   • CPU üzerinde ileri geçişi çalıştırarak
6. With equal local batch size B on each of W data-parallel workers, what is the global batch for one synchronized step?
   • B divided by W
   • B multiplied by W, before any gradient-accumulation factor
   • Always exactly W samples
   • The model parameter count divided by B
7. Why may adding more data-parallel GPUs fail to increase throughput proportionally?
   • All-reduce makes model parameters disappear
   • The model is copied only to one worker
   • Gradient communication, data loading, and synchronization add overhead
   • More workers always reduce the global batch to zero
8. What does gradient accumulation let a data-parallel training loop do?
   • Shard parameters automatically across all workers
   • Skip forward and backward computation
   • Replace the model with an all-reduce operation
   • Combine gradients from multiple microbatches before an optimizer update