QuantGen is van plan om grootschalige GPU-training op SageMaker te versnellen. Ze willen GPU-kernel fusion en optimalisaties op operatorniveau inschakelen die worden geboden door SageMaker Training Compiler. Welke bewering beschrijft correct hoe dit in te schakelen en welke frameworks worden ondersteund voor die optimalisatie?

De correcte optie beschrijft nauwkeurig hoe SageMaker Training Compiler wordt ingeschakeld en welke frameworks worden ondersteund. Training Compiler wordt geactiveerd via de TrainingJob of Estimator met parameters zoals compilerconfig={'enabled': True} of enabletrainingcompiler=True en vereist GPU-instances (zoals p3, p4, g4dn families) om te functioneren. Het optimaliseert deep learning frameworks zoals PyTorch en TensorFlow door middel van GPU-kernel fusion en operator-level optimalisaties. Het is niet van toepassing op frameworks zoals scikit-learn of XGBoost, die geen deep learning frameworks zijn. De andere opties zijn incorrect omdat: Het inschakelen via een hyperparameter 'enabletrainingcompiler' is geen standaardmethode, en de compiler optimaliseert niet alle frameworks (zoals scikit-learn of XGBoost) noch CPU-only instances. De Training Compiler wordt niet ingeschakeld door AutoML=true in te stellen; AutoML is een aparte functionaliteit. Ook ondersteunt het niet alle genoemde frameworks en biedt het geen CPU-kernel fusion. De Training Compiler wordt niet automatisch toegepast op elke trainingstaak. Het vereist expliciete configuratie en is specifiek voor GPU-gebaseerde deep learning training.