Durante la messa a punto di un modello di deep learning in SageMaker Studio, si prevedono problemi come gradienti evanescenti, GPU sottoutilizzata e overfitting. Sono necessarie metriche complete e in tempo reale durante l'addestramento e reazioni automatiche (azioni predefinite) quando questi problemi vengono rilevati, con un sovraccarico operativo minimo. Quale opzione soddisfa queste esigenze?

L'opzione corretta è utilizzare le regole integrate di SageMaker Debugger perché è progettato specificamente per rilevare problemi comuni di addestramento dei modelli di deep learning, come gradienti evanescenti, sottoutilizzo della GPU e overfitting, con un sovraccarico operativo minimo. Le regole di Debugger possono essere configurate per attivare azioni predefinite (ad esempio, arrestare un job di addestramento) quando vengono rilevate anomalie, soddisfacendo l'esigenza di reazioni automatiche e in tempo reale. Le altre opzioni sono meno efficienti o non sufficientemente complete: L'uso di TensorBoard con SNS e Lambda richiederebbe un'integrazione manuale complessa per il monitoraggio dei gradienti e l'automazione delle azioni. Le metriche predefinite di CloudWatch non includono dettagli specifici come i gradienti e richiederebbero un'estensione significativa per coprire tutti i problemi menzionati. Estendere le metriche di CloudWatch per includere i gradienti a ogni fase di addestramento aumenterebbe notevolmente la complessità e i costi di implementazione e gestione, senza la stessa facilità di configurazione delle azioni automatiche di Debugger.