Una empresa de vehículos autónomos entrenó modelos de detección de objetos con transfer learning usando PyTorch en SageMaker. Los vehículos tienen recursos de cómputo y batería limitados; la empresa necesita reducir el tamaño del modelo y el tiempo de ejecución sin dañar sustancialmente la precisión. ¿Qué enfoque mejorará la eficiencia computacional del modelo?

La poda de modelos es una técnica eficaz para reducir el tamaño del modelo y el tiempo de inferencia sin una pérdida significativa de precisión. SageMaker Debugger permite inspeccionar tensores durante el entrenamiento, como pesos, gradientes y activaciones. Al analizar estos tensores, se puede determinar la importancia de los filtros y eliminar (podar) aquellos con baja importancia. Luego, el modelo podado se reentrena para recuperar cualquier precisión perdida, resultando en un modelo más pequeño y eficiente. Las otras opciones son incorrectas: Usar CloudWatch para inspeccionar estos elementos no es su función principal; SageMaker Debugger está diseñado específicamente para este propósito. SageMaker Ground Truth se utiliza para el etiquetado de datos, no para la optimización del modelo después del entrenamiento. Aumentar el conjunto de datos podría mejorar la precisión, pero no aborda directamente la reducción del tamaño o la eficiencia del modelo. SageMaker Model Monitor se usa para monitorear el rendimiento del modelo en producción, no para optimizar el modelo durante el entrenamiento. Aumentar la tasa de aprendizaje podría desestabilizar el entrenamiento o reducir la precisión.