Un'azienda di veicoli a guida autonoma ha addestrato modelli di rilevamento di oggetti con transfer learning usando PyTorch in SageMaker. I veicoli hanno risorse di calcolo e batteria limitate; l'azienda deve ridurre le dimensioni e il tempo di esecuzione del modello senza compromettere sostanzialmente l'accuratezza. Quale approccio migliorerà l'efficienza computazionale del modello?

L'approccio corretto è la potatura dei filtri, che riduce la dimensione e la complessità del modello rimuovendo i filtri meno importanti, migliorando così l'efficienza computazionale senza un significativo calo di accuratezza. Amazon SageMaker Debugger è lo strumento adatto per ispezionare i tensori (pesi, gradienti, bias, attivazioni) durante l'addestramento, consentendo di calcolare l'importanza dei filtri e di identificarli per la potatura. Le metriche di CloudWatch non sono progettate per l'ispezione dettagliata dei tensori interni del modello necessaria per la potatura. SageMaker Ground Truth è per l'etichettatura dei dati, non per l'ottimizzazione del modello. SageMaker Model Monitor è per il monitoraggio post-deployment e l'aumento del learning rate non è una strategia diretta per la riduzione delle dimensioni del modello.