QuantGen plant, das groß angelegte GPU-Training auf SageMaker zu beschleunigen. Sie möchten die GPU-Kernel-Fusion und Optimierungen auf Operatorebene, die vom SageMaker Training Compiler bereitgestellt werden, aktivieren. Welche Aussage beschreibt korrekt, wie dies aktiviert wird und welche Frameworks für diese Optimierung unterstützt werden?

Die korrekte Antwort beschreibt präzise die Aktivierung des SageMaker Training Compilers über compilerconfig={'enabled': True} oder enabletrainingcompiler=True und die Notwendigkeit von GPU-Instanzen (p3, p4, g4dn). Sie hebt hervor, dass der Compiler GPU-Kernel-Fusion und Operator-Optimierungen für Deep-Learning-Frameworks wie PyTorch und TensorFlow bietet, aber nicht für scikit-learn oder XGBoost anwendbar ist. Die erste falsche Antwort ist inkorrekt, da der Training Compiler nicht über einen Hyperparameter aktiviert wird, nicht alle Frameworks optimiert (insbesondere nicht scikit-learn oder XGBoost) und nicht für reine CPU-Instanzen konzipiert ist. Die zweite falsche Antwort ist falsch, weil der Training Compiler nicht durch AutoML=true aktiviert wird und nicht alle genannten Frameworks oder CPU-Kernel-Fusion unterstützt. Die dritte falsche Antwort ist falsch, da der Training Compiler explizit konfiguriert werden muss und nicht automatisch auf jeden Trainingsjob angewendet wird, noch ist seine Hauptfunktion die Verbesserung der Startzeit oder des Datenladens.