引导式测验 · 中等 等级
用于 ML 工作负载的 Kubernetes 测验
应用 Kubernetes ML Pod 放置、GPU 设备资源和污点容忍度，包括为什么分布式训练需要适当的每节点容量。
问题 1 的 8
Kubernetes 调度程序针对 ML 工作负载的主要工作是什么？
预览每个问题8 问题
当您参加测验时，就会出现答案和解释。
- Kubernetes 调度程序针对 ML 工作负载的主要工作是什么？
- 为数据科学家编写培训代码
- 决定集群中的哪个节点运行每个容器化 Pod
- 自动标记训练数据
- 选择神经网络架构
- Kubernetes 通常如何为 Pod 提供 GPU 可用？
- 通过发布资源的设备插件，例如 nvidia.com/gpu
- 通过向 GPU 供应商发送电子邮件获取许可证
- GPU 不能在 Kubernetes 中使用
- 通过在运行时将 CPU 核心转换为 GPU
- 对于 GPU 节点上的 NoSchedule 污点，匹配的 Pod 容忍会做什么？
- 强制 pod 到该节点上，无论容量如何
- 更改模型的优化器
- 允许将 pod 考虑用于该节点，但不保证放置
- 加密每个 GPU 张量
- 哪个工具添加了 ML 特定的功能，例如在 Kubernetes 之上的分布式训练运算符？
- Microsoft 字
- Apache 用于提供静态网页
- 电子表格宏
- 库贝流
- 为什么 Kubernetes 非常适合突发性机器学习工作负载？
- 它将作业安排到空闲资源上，并在作业完成时释放该硬件
- 它为一位用户永久保留所有 GPU
- 它可以防止任何工作规模缩小
- 每个集群只运行一个容器
- 在 Kubernetes 上，“将推理端点缩放为零”意味着什么？
- 永久删除模型
- 将精度设置为零
- 在没有流量时运行零副本，然后在下一个请求时启动
- 将模型参数减少到零
- 一个 ML Pod 需要四个 GPU，而两个节点各只有两个可用。普通调度可以将这些节点合并到一个 Pod 中吗？
- 是的;每个 Pod 自动跨越所有集群节点
- 是的；调度程序将 CPU 核心转换为缺少的 GPU
- 仅当 pod 名称包含“distributed”一词时
- 不； Pod 必须适合一个符合条件的节点
- 推理服务在空闲时缩放为零。当流量恢复时，其团队应该测试哪些面向用户的延迟？
- 训练集标记速度
- 服务副本准备就绪时的冷启动延迟
- 不相关笔记本的文件大小
- 丢弃的词汇标记的数量