Ein ML-Spezialist trainiert ein DeepAR-Vorhersagemodell auf CPU-basierten EC2 On-Demand-Instanzen, und das Training dauert viele Stunden. Welche zwei Aktionen reduzieren die gesamte Trainingszeit? (Wählen Sie zwei.)

DeepAR-Modelle profitieren stark von GPUs, da diese für die parallele Verarbeitung von Matrixoperationen optimiert sind, die in neuronalen Netzen häufig vorkommen. Der Wechsel von CPU- zu GPU-Instanzen kann die Trainingszeit erheblich verkürzen. Paralleles Training über mehrere Instanzen (verteiltes Training) ermöglicht es, die Arbeitslast aufzuteilen und gleichzeitig zu verarbeiten, was ebenfalls zu einer deutlichen Reduzierung der Gesamtzeit führt. Der Wechsel zu Spot-Instanzen ändert nur das Kostenmodell, nicht die Trainingsgeschwindigkeit. Automatisches Modell-Autoscaling ist für die Inferenzskalierung relevant, nicht für die Beschleunigung eines einzelnen Trainingslaufs. Das Starten mit einem vortrainierten Modell kann die Konvergenz beschleunigen, ist aber keine direkte Reduzierung der Trainingszeit des aktuellen Modells, sondern eine Methode, um schneller zu einem guten Ergebnis zu kommen.