Вікторина, пов’язана з посібником · Середній Рівень

Вікторина Tensor Cores

Охоплює операції з матрицею Tensor Core, накопичення зі змішаною точністю, мозаїку програмного забезпечення та специфічні для архітектури числові формати.

Пов'язані напрямні шляхиТензорні ядра
Питання 1 з 8

Для прискорення якої основної математичної операції розроблено Tensor Cores?

Перегляньте кожне запитання8 запитання

Відповіді та пояснення з’являються під час виконання тесту.

  1. Для прискорення якої основної математичної операції розроблено Tensor Cores?
    • Матриця множення та накопичення (D = A x B + C)
    • Сортування великих списків чисел
    • Генерація випадкових чисел
    • Шифрування та дешифрування даних
  2. Яка архітектура GPU NVIDIA вперше представила тензорні ядра?
    • Паскаль
    • Вольта
    • Тюрінг
    • Максвелл
  3. Чому тензорні ядра часто використовують знижену точність, наприклад FP16 або FP8?
    • Нижча точність вимагається законом для ШІ
    • Вища точність неможлива на GPU
    • Це дозволяє обробляти більше чисел за такт, підвищуючи пропускну здатність, зберігаючи при цьому прийнятну точність
    • Це робить чіп фізично меншим
  4. Щоб зберегти точність, яку точність зазвичай використовують тензорні ядра для поточної суми (накопичення)?
    • Така ж низька точність, як і входи
    • Накопичення не проводиться
    • Лише цілі числа без дробів
    • Вища точність, наприклад FP32
  5. Як повсякденні фреймворки AI, такі як PyTorch, використовують Tensor Cores?
    • Такі бібліотеки, як cuBLAS і cuDNN, автоматично розбивають великі матриці на маленькі блоки, які ядра можуть обробляти
    • Розробники повинні вручну написати збірку для кожної моделі
    • Tensor Cores працюють лише з нестандартним апаратним забезпеченням, яке не доступне програмному забезпеченню
    • Вони взагалі не можуть використовуватися фреймворками високого рівня
  6. Який новий числовий формат додала архітектура Blackwell для ще більшого підвищення пропускної здатності логічного висновку?
    • FP64 (подвійна точність)
    • FP4 (4-бітове число з плаваючою комою)
    • 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