一家自动驾驶汽车公司使用 PyTorch 在 SageMaker 中通过迁移学习训练了目标检测模型。车辆的计算和电池资源有限；该公司需要在不大幅损害准确性的前提下，减小模型大小并缩短运行时长。哪种方法可以提高模型的计算效率？

正确答案是使用 Amazon SageMaker Debugger 检查训练权重、梯度、偏差和激活，并根据这些张量计算滤波器重要性，然后修剪低重要性滤波器，更新权重并重新训练模型。这种方法称为模型修剪（model pruning），它通过移除对模型性能贡献较小的连接或神经元来减小模型大小和计算量，从而提高计算效率，同时尽量减少对准确性的影响。 其他选项不正确： 使用 Amazon CloudWatch 指标不适用于检查训练权重、梯度、偏差和激活，这些是模型内部的张量数据，需要更专业的工具。CloudWatch 主要用于监控服务和应用程序的指标。 使用 Amazon SageMaker Ground Truth 收集更多标注样本会增加训练数据，可能提高模型准确性，但不会直接减小模型大小或缩短运行时长。 使用 Amazon SageMaker Model Monitor 跟踪部署后的延迟指标，然后提高训练学习率并重新训练模型，这是一种优化训练过程的方法，但不会直接减小已训练模型的尺寸或提高其运行时效率。