Bài kiểm tra có liên kết hướng dẫn · Trung bình Cấp độ

Bài kiểm tra phân vùng GPU đa phiên bản

Áp dụng cấu hình MIG, tài nguyên phiên bản GPU so với điện toán và khả năng hiển thị thiết bị, bao gồm cả lý do phần cứng được hỗ trợ xác định các lựa chọn phân vùng.

Đường dẫn hướng dẫn liên quanPhân vùng GPU đa phiên bản
Câu hỏi 1 của 8

Which resource boundary distinguishes separate MIG GPU Instances from software time slicing?

Xem trước mọi câu hỏi8 câu hỏi

Câu trả lời và giải thích xuất hiện khi bạn làm bài kiểm tra.

  1. Which resource boundary distinguishes separate MIG GPU Instances from software time slicing?
    • Only a different process priority on one shared execution queue
    • A guaranteed absence of every host or device failure
    • A separate network cable for every CUDA kernel
    • Dedicated hardware compute and memory resources for each GPU Instance
  2. MIG được giới thiệu lần đầu tiên trên kiến trúc NVIDIA nào?
    • Volta
    • Ampe (A100)
    • Turing
    • Pascal
  3. On an A100 40 GB using supported small-instance profiles, how many GPU Instances can a layout provide?
    • Exactly sixteen on every supported GPU
    • Exactly two regardless of profile
    • Up to seven
    • An unlimited number with no memory limits
  4. Trong cấu hình MIG như '1g.5gb', '5gb' thể hiện điều gì?
    • Bộ nhớ được phân bổ cho phiên bản đó
    • Số lượng SM
    • Băng thông PCIe
    • Tốc độ đồng hồ
  5. MIG đặc biệt phù hợp với khối lượng công việc nào?
    • Một đợt huấn luyện lớn duy nhất cần toàn bộ GPU
    • Phân phát suy luận nhiều bên thuê với độ trễ có thể dự đoán được
    • Xử lý trước dữ liệu ràng buộc CPU
    • Kho lạnh dài hạn
  6. Làm cách nào một cụm Kubernetes có thể hiển thị các phiên bản MIG cho các nhóm?
    • Là khối lượng đĩa thô
    • Chỉ thông qua SSH thủ công
    • Là các tài nguyên có thể lập lịch như 'nvidia.com/mig-1g.5gb'
    • Thông qua bản ghi DNS
  7. Two Compute Instances belong to the same MIG GPU Instance. Which resources do they share?
    • Their parent GPU Instance’s memory resources
    • Only a remote CPU’s filesystem
    • Separate complete copies of physical GPU memory
    • Every compute slice on unrelated GPUs
  8. A team wants to deploy a named MIG profile on a new GPU model. What should it check first?
    • That every NVIDIA GPU supports identical profiles
    • That the model parameter count is an even integer
    • That the Kubernetes pod name contains the profile text
    • That the GPU supports MIG and that exact profile layout