Вікторина, пов’язана з посібником · Середній Рівень

Тест робочих навантажень Kubernetes для ML

Застосуйте розміщення модулів Kubernetes ML, ресурси пристроїв графічного процесора та допустимі відхилення, зокрема, чому для розподіленого навчання потрібна відповідна потужність для кожного вузла.

Пов'язані напрямні шляхиKubernetes для робочих навантажень ML
Питання 1 з 8

Яке основне завдання планувальника Kubernetes для робочих навантажень ML?

Перегляньте кожне запитання8 запитання

Відповіді та пояснення з’являються під час виконання тесту.

  1. Яке основне завдання планувальника Kubernetes для робочих навантажень ML?
    • Написання навчального коду для спеціалістів із даних
    • Вирішення того, який вузол у кластері запускає кожен контейнеризований пакет
    • Автоматичне маркування даних навчання
    • Вибір архітектури нейронної мережі
  2. Як Kubernetes зазвичай робить графічні процесори доступними для модуля?
    • Через плагіни пристроїв, які рекламують ресурси, наприклад nvidia.com/gpu
    • Надіславши електронний лист постачальнику GPU для отримання ліцензії
    • Графічні процесори не можна використовувати в Kubernetes
    • Шляхом перетворення ядер центрального процесора на графічні процесори під час виконання
  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. Який інструмент додає специфічні для ML можливості, як-от оператори розподіленого навчання поверх Kubernetes?
    • Microsoft Слово
    • Apache для обслуговування статичних веб-сторінок
    • Макрос електронної таблиці
    • Kubeflow
  5. Чому Kubernetes добре підходить для швидких робочих навантажень ML?
    • Він планує завдання на вільних ресурсах і звільняє це обладнання після завершення завдань
    • Він постійно резервує всі графічні процесори для одного користувача
    • Це запобігає масштабуванню будь-якої роботи
    • Він запускає лише один контейнер на кластер
  6. Що означає «масштабування кінцевої точки висновку до нуля» на Kubernetes?
    • Видалення моделі назавжди
    • Налаштування точності до нуля відсотків
    • Запуск нульових копій, коли немає трафіку, потім розкручування під час наступного запиту
    • Зведення параметрів моделі до нуля
  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