Ein Team, das Amazon SageMaker verwendet, stellt fest, dass der standardmäßige integrierte Bildklassifizierungsalgorithmus (ResNet) eine geringe Genauigkeit liefert, und möchte stattdessen eine Inception-Architektur verwenden. Welche Ansätze ermöglichen es ihnen, mit Inception zu trainieren? (Wählen Sie zwei.)

Die korrekten Antworten sind, einen Docker-Container mit einer TensorFlow Estimator-Implementierung und einem Inception-Netzwerk bereitzustellen oder benutzerdefinierten Trainingscode in SageMaker zu schreiben, der den TensorFlow Estimator verwendet und ein Inception-Netzwerk lädt. SageMaker bietet Flexibilität für benutzerdefinierte Modelle. Sie können einen eigenen Docker-Container mit der gewünschten Architektur (z.B. Inception) und dem Framework (z.B. TensorFlow Estimator) erstellen und SageMaker diesen Container für das Training nutzen lassen. Alternativ können Sie benutzerdefinierten Python-Code direkt in SageMaker schreiben, der die Inception-Architektur über ein Framework wie TensorFlow lädt und trainiert. Das Modifizieren des integrierten Algorithmus ist nicht möglich, da diese Black-Box-Implementierungen sind. Das Öffnen eines Support-Falls zur Änderung des Standardalgorithmus ist ebenfalls nicht praktikabel, da dies keine Option ist. Die Installation von Inception-Code über apt-get auf einer EC2-Instanz und deren Nutzung als Jupyter-Notebook in SageMaker ist keine skalierbare oder effiziente Methode für das Training in SageMaker.