在 SageMaker Studio 中微调深度学习模型时，您预计会出现梯度消失、GPU 利用率不足和过拟合等问题。您需要在训练期间获得实时、全面的指标，并在检测到这些问题时自动做出反应（预定义操作），同时将运营开销降至最低。哪个选项能满足这些需求？

SageMaker Debugger 内置规则专为监控深度学习训练中的常见问题（如梯度消失、GPU 利用率不足和过拟合）而设计。它可以实时检测这些问题，并能配置为在检测到问题时自动触发预定义操作，例如停止训练或调整超参数。这满足了实时、全面监控和自动响应的需求，同时将运营开销降至最低，因为 Debugger 是 SageMaker 的集成功能。 其他选项的不足之处： 使用 TensorBoard 结合 SNS 和 Lambda 函数虽然可以实现监控和响应，但设置和维护更复杂，增加了运营开销。 Amazon CloudWatch 默认训练指标提供的信息可能不够全面和实时，不足以检测深度学习中的特定问题，例如梯度消失。 扩展 CloudWatch 指标以包含每个训练步骤的梯度会显著增加日志量和成本，并且需要额外的开发工作来解析和响应这些指标，不符合“最低运营开销”的要求。