Beim Fine-Tuning eines Deep-Learning-Modells in SageMaker Studio erwarten Sie Probleme wie Vanishing Gradients, unzureichende GPU-Auslastung und Overfitting. Sie benötigen Echtzeit- und umfassende Metriken während des Trainings und automatische Reaktionen (vordefinierte Aktionen), wenn diese Probleme erkannt werden, mit minimalem Betriebsaufwand. Welche Option erfüllt diese Anforderungen?

Die integrierten Regeln von SageMaker Debugger sind die beste Option, da sie speziell dafür entwickelt wurden, häufige Probleme beim Deep-Learning-Training wie Vanishing Gradients, unzureichende GPU-Auslastung und Overfitting zu erkennen. Debugger bietet Echtzeit-Überwachung von Trainingsmetriken und ermöglicht die Konfiguration von Aktionen (z. B. Stoppen des Trainings oder Senden von Benachrichtigungen), wenn diese Probleme erkannt werden, was den Betriebsaufwand minimiert. TensorBoard erfordert eine manuelle Überwachung und zusätzliche Integration für automatische Aktionen. Standardmäßige CloudWatch-Metriken sind nicht detailliert genug für Gradientenprobleme, und das Erweitern von CloudWatch-Metriken um Gradienten ist komplex und erfordert erheblichen manuellen Aufwand.