Ein Unternehmen für autonome Fahrzeuge hat Objekterkennungsmodelle mit Transfer Learning unter Verwendung von PyTorch in SageMaker trainiert. Die Fahrzeuge haben begrenzte Rechenleistung und Batterielebensdauer; das Unternehmen muss die Modellgröße und Laufzeit reduzieren, ohne die Genauigkeit wesentlich zu beeinträchtigen. Welcher Ansatz verbessert die Recheneffizienz des Modells?

Die korrekte Antwort ist die Verwendung von Amazon SageMaker Debugger, um die Recheneffizienz des Modells durch Modellkomprimierung zu verbessern. SageMaker Debugger ermöglicht die Überprüfung von Trainingsparametern wie Gewichten, Gradienten und Aktivierungen. Basierend auf diesen Informationen kann die Wichtigkeit von Filtern berechnet und unwichtige Filter beschnitten werden, um die Modellgröße und Laufzeit zu reduzieren. Anschließend werden die Gewichte aktualisiert und das beschnittene Modell neu trainiert, um die Genauigkeit zu erhalten. Die anderen Optionen sind weniger geeignet: Die erste Option ist falsch, da Amazon CloudWatch-Metriken keine detaillierte Analyse von Trainingsgewichten, Gradienten, Biases und Aktivierungen für das Beschneiden von Filtern bieten. CloudWatch konzentriert sich auf Infrastruktur- und Anwendungsmetriken. Die zweite Option, die Verwendung von SageMaker Ground Truth zur Datenerweiterung, würde die Trainingszeit und -kosten erhöhen und nicht direkt die Modellgröße oder Laufzeit reduzieren. Die vierte Option, die Verwendung von SageMaker Model Monitor, dient der Überwachung der Modellleistung nach der Bereitstellung und nicht der Optimierung der Modellgröße oder Laufzeit während des Trainings. Eine Erhöhung der Lernrate ist keine Methode zur Modellkomprimierung.