Rehber bağlantılı sınav · Orta Seviye

ML İş Yükleri için Kubernetes Testi

Dağıtılmış eğitimin neden düğüm başına uygun kapasiteye ihtiyaç duyduğu da dahil olmak üzere Kubernetes ML bölmesi yerleşimini, GPU cihaz kaynaklarını ve kusur toleranslarını uygulayın.

İlgili kılavuz yollarıML İş Yükleri İçin Kubernetes
Soru 1 arasında 8

Makine öğrenimi iş yükleri için Kubernetes zamanlayıcının birincil işi nedir?

Her soruyu önizleyin8 sorular

Testi çözdüğünüzde cevaplar ve açıklamalar görünür.

  1. Makine öğrenimi iş yükleri için Kubernetes zamanlayıcının birincil işi nedir?
    • Veri bilimcileri için eğitim kodunun yazılması
    • Her kapsayıcıya alınmış bölmeyi kümedeki hangi düğümün çalıştıracağına karar verme
    • Eğitim verilerini otomatik olarak etiketleme
    • Sinir ağı mimarisini seçme
  2. Kubernetes genellikle GPU'ları bir kapsül için nasıl kullanılabilir hale getirir?
    • nvidia.com/gpu gibi kaynakların reklamını yapan cihaz eklentileri aracılığıyla
    • Lisans için GPU satıcısına e-posta göndererek
    • GPU'lar Kubernetes'te kullanılamaz
    • Çalışma zamanında CPU çekirdeklerini GPU'lara dönüştürerek
  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. Hangi araç, Kubernetes'in üzerine dağıtılmış eğitim operatörleri gibi makine öğrenimine özgü yetenekler ekler?
    • Microsoft Kelime
    • Statik web sayfalarını sunmak için Apache
    • Bir e-tablo makrosu
    • Kubeflow
  5. Kubernetes neden hızlı makine öğrenimi iş yüklerine çok uygundur?
    • İşleri boş kaynaklara planlar ve işler bittiğinde bu donanımı serbest bırakır
    • Tüm GPU'ları kalıcı olarak tek bir kullanıcı için ayırır
    • Herhangi bir işin ölçeğinin küçülmesini önler
    • Küme başına yalnızca bir kapsayıcı çalıştırır
  6. Kubernetes'te 'bir çıkarım uç noktasını sıfıra ölçeklendirmek' ne anlama geliyor?
    • Modeli kalıcı olarak silme
    • Doğruluğu yüzde sıfıra ayarlama
    • Trafik olmadığında sıfır kopya çalıştırma ve ardından bir sonraki istekte hızlanma
    • Modelin parametrelerini sıfıra düşürmek
  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