Ein Team hat ein TensorFlow-Trainingsskript, das es derzeit lokal ausführt und das es so kostengünstig wie möglich auf SageMaker trainieren möchte. Welche TensorFlow-Estimator-Konfiguration reduziert die Trainingskosten am meisten, während das vorhandene Skript weiterhin verwendet wird?

Die Kombination aus SageMaker Training Compiler und verwaltetem Spot-Training ist die kostengünstigste Option. Der SageMaker Training Compiler optimiert TensorFlow-Modelle für schnellere Trainingszeiten, was die Instance-Nutzungsdauer und damit die Kosten senkt. Verwaltetes Spot-Training nutzt ungenutzte EC2-Kapazitäten zu einem deutlich reduzierten Preis im Vergleich zu On-Demand-Instanzen, mit der Möglichkeit, das Training bei Kapazitätsengpässen zu unterbrechen und fortzusetzen. Beide Funktionen zusammen maximieren die Kosteneinsparungen, während das bestehende Trainingsskript unverändert bleibt. Nur den Training Compiler zu aktivieren, spart Kosten durch schnellere Ausführung, aber nicht so viel wie die zusätzliche Nutzung von Spot-Instanzen. Die Umstellung auf verteilte Datenparallelität erfordert eine Änderung des Trainingsskripts und ist primär auf Leistungssteigerung ausgelegt, nicht unbedingt auf Kostensenkung, es sei denn, die Effizienzgewinne überwiegen die Kosten für zusätzliche Instanzen. Das Setzen von MaxWaitTimeInSeconds gleich MaxRuntimeInSeconds ist eine Konfiguration für das verwaltete Spot-Training, die sicherstellt, dass das Training nicht vorzeitig beendet wird, aber es ist keine eigenständige Kostensenkungsmaßnahme.