Rehber bağlantılı sınav · Orta Seviye

Tensör Çekirdekleri Testi

Tensor Core matris işlemlerini, karma duyarlıklı birikimi, yazılım döşemeyi ve mimariye özgü sayısal formatları kapsar.

İlgili kılavuz yollarıTensör Çekirdekleri
Soru 1 arasında 8

Tensör Çekirdekleri hangi temel matematiksel işlemi hızlandırmak için özel olarak tasarlanmıştır?

Her soruyu önizleyin8 sorular

Testi çözdüğünüzde cevaplar ve açıklamalar görünür.

  1. Tensör Çekirdekleri hangi temel matematiksel işlemi hızlandırmak için özel olarak tasarlanmıştır?
    • Matris çarpma ve biriktirme (D = A x B + C)
    • Büyük sayı listelerini sıralama
    • Rastgele sayı üretimi
    • Verileri şifrelemek ve şifresini çözmek
  2. Tensör Çekirdeklerini ilk kez hangi NVIDIA GPU mimarisi tanıttı?
    • Pascal'ın
    • Volta
    • Turing
    • Maxwell
  3. Tensör Çekirdekleri neden sıklıkla FP16 veya FP8 gibi azaltılmış hassasiyeti kullanıyor?
    • Yapay zeka için yasa gereği daha düşük hassasiyet gerekiyor
    • GPU'da daha yüksek hassasiyet mümkün değildir
    • Doğruluğu kabul edilebilir düzeyde tutarken verimi artırarak saat başına daha fazla sayının işlenmesine olanak tanır
    • Çipi fiziksel olarak daha küçük hale getirir
  4. Doğruluğu korumak için Tensör Çekirdekleri genel olarak toplam (birikim) için hangi hassasiyeti kullanır?
    • Girişlerle aynı düşük hassasiyet
    • Herhangi bir birikim yapılmaz
    • Kesir içermeyen yalnızca tam sayı
    • FP32 gibi daha yüksek hassasiyet
  5. PyTorch gibi günlük yapay zeka çerçeveleri Tensör Çekirdeklerinden nasıl yararlanıyor?
    • cuBLAS ve cuDNN gibi kütüphaneler büyük matrisleri otomatik olarak çekirdeklerin işleyebileceği küçük bloklara yerleştirir
    • Geliştiriciler her model için montajı elle yazmalıdır
    • Tensör Çekirdekleri yalnızca hiçbir yazılımın ulaşamayacağı özel donanımlarla çalışır
    • Üst düzey çerçeveler tarafından hiçbir şekilde kullanılamazlar
  6. Çıkarım verimini daha da yükseğe çıkarmak için Blackwell mimarisi hangi yeni sayısal formatı ekledi?
    • FP64 (çift hassasiyetli)
    • FP4 (4 bit kayan nokta)
    • ASCII
    • FP128
  7. 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
  8. 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