Rehber bağlantılı sınav · Orta Seviye

Gradyan Kontrol Noktası Testi

Etkinleştirmenin yeniden materyalleştirilmesini, bellek tasarruflarını, zamanlamaya bağlı işlem yükünü ve parçalama ve karma hassasiyetle kombinasyonları açıklar.

İlgili kılavuz yollarıGradyan Kontrol Noktalaması
Soru 1 arasında 8

Bellekten tasarruf etmek için degrade kontrol noktasının öncelikli olarak ticareti nedir?

Her soruyu önizleyin8 sorular

Testi çözdüğünüzde cevaplar ve açıklamalar görünür.

  1. Bellekten tasarruf etmek için degrade kontrol noktasının öncelikli olarak ticareti nedir?
    • Daha düşük bellek kullanımı için ekstra hesaplama (yeniden hesaplama)
    • Hız için model doğruluğu
    • Ağ bant genişliği için disk alanı
    • Parti boyutu için hassasiyet
  2. Aktivasyonlar neden normalde ileri geçiş sırasında saklanıyor?
    • Bunları kullanıcıya göstermek için
    • Çünkü geri yayılımın gradyanları hesaplaması için onlara ihtiyacı var
    • Veri yüklemeyi hızlandırmak için
    • Aslında onlara asla ihtiyaç duyulmaz
  3. In a simplified chain of N similarly sized layers, what can checkpoint boundaries spaced about sqrt(N) layers apart achieve in the textbook schedule?
    • It stores no activations and performs no recomputation
    • It guarantees constant memory for every model graph
    • Activation storage can scale on the order of sqrt(N) checkpoints
    • It makes optimizer-state memory scale as sqrt(N)
  4. What most determines gradient-checkpointing runtime overhead in a practical model?
    • Only the model’s file extension
    • A fixed 20–30% slowdown for every model
    • The number of labels in the dataset
    • Which operations are recomputed, checkpoint placement, graph structure, and hardware
  5. PyTorch'ta, bir modüle degrade kontrol noktası uygulamak için yaygın olarak hangi yardımcı program kullanılır?
    • torch.utils.checkpoint
    • torch.optim.SGD
    • meşale.nn.Bırakma
    • torch.cuda.empty_cache
  6. What happens to operations inside a checkpointed region during backward?
    • Their gradients are skipped entirely
    • Their forward computations are rerun to regenerate needed activations
    • Their weights are permanently discarded
    • They are executed only during inference
  7. Which training techniques can be combined with activation checkpointing to reduce different memory costs?
    • Only increasing the number of labels
    • Turning off backpropagation
    • FSDP for sharded model state and mixed precision for lower-precision tensors
    • Replacing the model with a tokenizer
  8. What is selective activation checkpointing intended to choose?
    • Which training labels are removed
    • Which model outputs are published
    • Which GPU becomes the tokenizer
    • Which operations to save and which to recompute based on their memory and runtime costs