Firma produkująca pojazdy autonomiczne wytrenowała modele wykrywania obiektów z wykorzystaniem transfer learningu za pomocą PyTorcha w SageMakerze. Pojazdy mają ograniczoną moc obliczeniową i baterię; firma musi zmniejszyć rozmiar modelu i czas działania bez znaczącego pogarszania dokładności. Które podejście poprawi wydajność obliczeniową modelu?

Prawidłowa odpowiedź opisuje proces przycinania (pruning), który redukuje rozmiar modelu i złożoność obliczeniową poprzez usuwanie mniej istotnych wag lub filtrów. SageMaker Debugger pozwala na inspekcję tensorów, takich jak wagi, gradienty i aktywacje, co jest kluczowe do oceny ważności filtrów. Usunięcie filtrów o niskiej ważności, a następnie dostrojenie modelu, poprawia wydajność bez znaczącej utraty dokładności. Pozostałe opcje są nieprawidłowe, ponieważ: CloudWatch monitoruje metryki, ale nie oferuje narzędzi do analizy tensorów w celu przycinania; SageMaker Ground Truth służy do etykietowania danych, a nie do optymalizacji modelu; SageMaker Model Monitor śledzi wydajność po wdrożeniu, a zwiększanie szybkości uczenia może pogorszyć, a nie poprawić wydajność.