一家公司使用神经网络，并在性能下降时对其进行重新训练。当前的训练作业使用 SageMaker 分布式数据并行 (DDP)，需要花费数小时。哪项更改将缩短总训练时间？

增加用于分布式训练的训练实例数量可以缩短总训练时间，因为分布式数据并行（DDP）通过将数据分发到多个实例并行处理来加速训练。增加实例数量意味着更多计算资源同时工作，从而减少完成训练所需的总时间。 其他选项不会缩短训练时间： 增加训练周期数会增加模型看到数据的次数，从而延长训练时间，而不是缩短。 增加每个隐藏层的神经元数量会增加模型的复杂度和参数量，导致每次迭代的计算量增加，从而延长训练时间。 增加网络层数同样会增加模型的复杂度和计算量，延长训练时间。