گریڈینٹ چیک پوائنٹنگ کوئز

جب آپ کوئز دیتے ہیں تو جوابات اور وضاحتیں ظاہر ہوتی ہیں۔

1. میموری کو بچانے کے لیے گریڈینٹ چیک پوائنٹ بنیادی طور پر کیا تجارت کرتا ہے؟
   • میموری کے کم استعمال کے لیے اضافی کمپیوٹ (دوبارہ گنتی)
   • رفتار کے لیے ماڈل کی درستگی
   • نیٹ ورک بینڈوتھ کے لیے ڈسک کی جگہ
   • بیچ سائز کے لئے صحت سے متعلق
2. ایکٹیویشنز عام طور پر فارورڈ پاس کے دوران کیوں محفوظ کی جاتی ہیں؟
   • انہیں صارف کو دکھانے کے لیے
   • کیونکہ بیک پروپیگیشن کو گریڈینٹ کی گنتی کرنے کی ضرورت ہے۔
   • ڈیٹا لوڈنگ کو تیز کرنے کے لیے
   • ان کی اصل میں کبھی ضرورت نہیں ہوتی
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. PyTorch میں، عام طور پر ماڈیول پر گریڈینٹ چیک پوائنٹ لگانے کے لیے کون سی افادیت استعمال ہوتی ہے؟
   • torch.utils.checkpoint
   • torch.optim.SGD
   • torch.nn.Dropout
   • 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