一位机器学习工程师使用估算器在 SageMaker Studio notebook 中训练神经网络。Python 训练脚本在具有多个 GPU 的单个实例上使用分布式数据并行 (DDP)，但 GPU 利用率不足。工程师需要找出训练脚本中优化资源使用的位置。哪种方法可以确定该位置？

SageMaker Profiler 专为识别训练作业中的性能瓶颈而设计，包括 GPU 利用率不足。通过在训练脚本中添加 Profiler 注解并运行作业，Profiler 会收集详细的系统和框架指标，例如 GPU 利用率、CPU 利用率、内存使用情况以及数据加载时间。生成的 Profiler 报告会可视化这些数据，并提供具体建议，帮助工程师 pinpoint 瓶颈所在，例如数据加载缓慢或模型计算效率低下，从而优化资源使用。 其他选项的解释： 使用 Amazon CloudWatch 指标创建报告：CloudWatch 提供了高层级的 GPU 利用率数据，但无法深入到训练脚本内部，无法指出具体是哪部分代码导致了利用率不足。 使用 AWS CloudTrail 生成报告：CloudTrail 记录的是 API 调用活动，与 GPU 利用率和训练脚本的性能无关。 在 Amazon SageMaker Model Monitor 中创建默认监视器：Model Monitor 用于监控部署模型的性能和数据漂移，而不是训练作业的资源利用率。