Une entreprise utilise un réseau neuronal et le réentraîne lorsque les performances diminuent. La tâche d'entraînement actuelle utilise le parallélisme de données distribuées (DDP) de SageMaker et prend plusieurs heures. Quel changement réduira le temps d'entraînement total ?

L'augmentation du nombre d'instances d'entraînement utilisées pour l'entraînement distribué est la solution la plus efficace pour réduire le temps d'entraînement. Le parallélisme de données distribuées (DDP) de SageMaker divise les données d'entraînement entre plusieurs instances, permettant un traitement simultané des mini-lots. Plus il y a d'instances, plus le travail est distribué, ce qui accélère la convergence du modèle. Augmenter le nombre d'époques d'entraînement augmenterait le temps d'entraînement total, car le modèle effectuerait plus de passes sur l'ensemble des données. Augmenter le nombre de neurones par couche cachée ou le nombre de couches du réseau augmenterait la complexité du modèle, ce qui pourrait potentiellement augmenter le temps d'entraînement par époque sans nécessairement améliorer la vitesse de convergence globale.