A QuantGen planeja acelerar o treinamento de GPU em larga escala no SageMaker. Eles querem habilitar a fusão de kernel de GPU e otimizações de nível de operador fornecidas pelo SageMaker Training Compiler. Qual afirmação descreve corretamente como habilitá-lo e quais frameworks são suportados para essa otimização?

A resposta correta descreve o método de habilitação e os frameworks suportados. O SageMaker Training Compiler é ativado explicitamente no TrainingJob ou Estimator (por exemplo, com compilerconfig={'enabled': True} ou enabletrainingcompiler=True). Ele é projetado para otimizar o treinamento em GPUs (instâncias p3, p4, g4dn) e foca em frameworks de deep learning como PyTorch e TensorFlow, realizando fusão de kernel e otimizações de grafo/operador. Ele não se aplica a frameworks como scikit-learn ou XGBoost, que não se beneficiam dessas otimizações de GPU da mesma forma. A opção incorreta sobre enabletrainingcompiler como hiperparâmetro e otimização para qualquer framework, incluindo scikit-learn e XGBoost, está errada porque a habilitação não é via hiperparâmetro e o compilador não otimiza todos os frameworks, nem acelera instâncias somente de CPU. A opção sobre AutoML=true está incorreta, pois o Training Compiler não é ativado por meio de AutoML e não suporta MXNet, scikit-learn ou XGBoost para essas otimizações, nem oferece fusão de kernel de CPU. A opção de que nenhuma configuração especial é necessária e que é aplicado automaticamente está errada, pois o Training Compiler requer habilitação explícita e é específico para frameworks e tipos de instância.