AI硬體與軟體堆疊

輸入只有1筆(批次大小為1)時,全連接層的計算(權重矩陣與向量的乘積)容易受記憶體限制,其原因下列何者正確?

  1. A因為向量的元素數量太多,放不進運算單元
  2. B因為矩陣與向量的乘積無法在GPU上計算
  3. C因為權重的每個元素即使從記憶體讀取,也只用於1次乘加,所以運算強度非常低
查看答案與解析

正確答案:C. 因為權重的每個元素即使從記憶體讀取,也只用於1次乘加,所以運算強度非常低

在矩陣與向量的乘積中,權重矩陣的每個元素只讀取1次,與輸入的一個元素相乘再相加1次而已。以FP16來說,每2位元組只做2次運算,運算強度約為1。讀取權重耗費時間,運算單元幾乎都在等待。若將輸入集中起來(加大批次)讓同一份權重可用於多筆輸入,運算強度就會提高。

  • A. 元素的數量並不是受限的原因。
  • B. 可以計算,但等待記憶體的時間會變長。
  • C. 正確。無法重複使用權重。
練習這個領域 前往領域頁面

AI硬體與軟體堆疊的其他題目

  1. 在推論中加大批次大小(一次處理的輸入數量),整體效率容易提升,其原因為下列何者?
  2. 在推論中將批次大小加得過大時的缺點,下列何者正確?
  3. 大型語言模型的推論分為集中處理輸入文章的階段(預填充)與逐一產生一個token輸出的階段(解碼)。下列何者是分別主要決定兩者效能之因素的正確組合(批次較小的情形)?
  4. 大型語言模型推論中使用的KV快取,其作用下列何者正確?
  5. 在大型語言模型的推論中處理長文章或大批次時,容易成為問題的是下列何者?