Вікторина, пов’язана з посібником · Середній Рівень

Контрольні точки градієнта. Вікторина

Пояснює рематеріалізацію активації, економію пам’яті, залежні від розкладу обчислювальні витрати та комбінації з шардингом і змішаною точністю.

Пов'язані напрямні шляхиКонтрольні точки градієнта
Питання 1 з 8

Чим переважно торгує контрольна точка градієнта для збереження пам’яті?

Перегляньте кожне запитання8 запитання

Відповіді та пояснення з’являються під час виконання тесту.

  1. Чим переважно торгує контрольна точка градієнта для збереження пам’яті?
    • Додаткове обчислення (повторне обчислення) для меншого використання пам’яті
    • Точність моделі для швидкості
    • Дисковий простір для пропускної здатності мережі
    • Точність для розміру партії
  2. Чому активації зазвичай зберігаються під час проходу вперед?
    • Щоб відобразити їх користувачеві
    • Тому що вони потрібні зворотному поширенню для обчислення градієнтів
    • Для прискорення завантаження даних
    • Вони насправді ніколи не потрібні
  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. Яка утиліта в PyTorch зазвичай використовується для застосування контрольних точок градієнта до модуля?
    • torch.utils.checkpoint
    • пальник.оптим.СГД
    • факел.нн.Випадання
    • 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