Тест на паралелізм даних

Відповіді та пояснення з’являються під час виконання тесту.

1. У стандартному паралелізмі даних, що містить кожен GPU?
   • Повна копія моделі, обробка іншого фрагмента партії
   • Інший фрагмент шарів моделі
   • Лише стан оптимізатора з централізованим збереженням ваги
   • Стиснута версія моделі з меншою кількістю параметрів
2. Яка операція зв’язку забезпечує синхронізацію реплік моделей на кожному кроці?
   • Трансляція, яка копіює дані одного GPU на всі інші
   • All-reduce, який усереднює градієнти для всіх GPU
   • Scatter, який розподіляє дані між графічним процесором
   • Зв'язок між графічними процесорами не потрібен
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. Як PyTorch DistributedDataParallel приховує затримку зв’язку?
   • Завдяки накладанню градієнта все зменшується з поточним проходом назад
   • Пропускаючи синхронізацію градієнта на почергових кроках
   • Стискаючи всі градієнти до одного числа
   • За допомогою прямого проходу на ЦП
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