A. cuDF는 CSV 또는 JSON 형식의 데이터 입력을 지원하지 않으므로 모든 입력 데이터가 Apache Parquet 형식으로 저장되어 있어야 합니다.

B. cuDF 연산은 지연 실행되며 변환을 실행하려면 명시적인 compute() 호출이 필요합니다.

C. cuDF는 Pandas를 직접 대체하여 사용할 수 있지만, GPU 가속보다는 멀티노드 분산 컴퓨팅에 최적화되어 있습니다.

D. cuDF는 필터링, 병합, 그룹화와 같은 일반적인 Pandas 유사 연산을 지원하지만, 이러한 연산을 GPU에서 효율적으로 수행합니다.

A. 하이퍼파라미터 튜닝 결과.

B. 모델 매개변수의 개수.

C. GPU 사용률 및 메모리 사용량.

D. 훈련 데이터셋 편향.

A. GPU 가속을 사용하면 성능 저하 없이 불완전한 데이터도 처리할 수 있으므로 누락된 값은 무시하십시오.

B. 데이터셋을 cuDF DataFrame으로 변환하기 전에 pandas.DataFrame.fillna()를 사용하세요.

C. RAPIDS를 사용하기 전에 Pandas에서 df.dropna()를 사용하여 모든 결측값을 제거합니다.

D. 데이터셋을 cuDF DataFrame으로 변환하고 cudf.DataFrame.fillna()를 사용하여 결측값을 채웁니다.

A. Dask의 분산 스케줄러와 dask_cuda를 사용하여 병렬 처리를 위한 GPU 리소스를 관리합니다.

B. 단일 GPU에서 계산을 실행하고 Dask가 CPU 병렬 처리를 자동으로 처리하도록 합니다.

C. dask.delayed를 사용하여 데이터셋을 수동으로 분할하고 각 분할된 파티션을 특정 GPU에 할당합니다.

D. dask_cuda의 CUDACluster를 사용하여 멀티 GPU 설정을 관리하고 연산을 병렬화합니다.

E. 별도의 설정 없이 Dask의 기본 스케줄러를 사용하여 GPU에 작업을 분산합니다.

A. 다른 성능 조정을 하지 않고도 여러 GPU의 GPU 사용률과 메모리 사용량을 모니터링하려면 nvidia-smi 도구만 사용하십시오.

B. Nvidia의 nsight 도구를 사용하여 모델 학습 단계만 벤치마킹하고 추론 단계는 무시합니다. 학습 단계가 주요 병목 현상이기 때문입니다.

C. TensorRT를 사용하여 딥러닝 모델을 고도로 최적화된 추론 엔진으로 변환함으로써 더 빠른 실행과 더 낮은 지연 시간을 구현합니다.

D. Nvidia의 nvprof 도구를 사용하여 GPU 리소스 사용량을 프로파일링하고 병목 현상을 파악한 다음 배치 크기를 조정하여 처리량을 최적화하십시오.