QuantGen planuje przyspieszyć szkolenie GPU na dużą skalę w SageMaker. Chcą włączyć fuzję jądra GPU i optymalizacje na poziomie operatora dostarczane przez SageMaker Training Compiler. Które stwierdzenie poprawnie opisuje, jak to włączyć i które frameworki są obsługiwane dla tej optymalizacji?

Poprawna odpowiedź opisuje właściwy sposób aktywacji SageMaker Training Compiler poprzez konfigurację w obiekcie TrainingJob/Estimator (np. compilerconfig={'enabled': True} lub enabletrainingcompiler=True w nowszych SDK). Wskazuje również, że optymalizacje te są przeznaczone dla instancji GPU (rodziny p3, p4, g4dn) i wspierają popularne frameworki głębokiego uczenia, takie jak PyTorch i TensorFlow, oferując fuzję jądra GPU i optymalizacje na poziomie operatora. Pozostałe opcje są nieprawidłowe, ponieważ: Training Compiler nie jest włączany przez hiperparametr 'enabletrainingcompiler' w HyperParameters i nie optymalizuje dowolnego frameworku (np. scikit-learn, XGBoost) ani instancji CPU. Włączenie AutoML=true nie aktywuje Training Compiler i nie dotyczy wbudowanych kontenerów MXNet, scikit-learn czy XGBoost w kontekście tej optymalizacji. Training Compiler nie jest stosowany automatycznie do każdego zadania szkoleniowego; wymaga jawnej konfiguracji i jest przeznaczony dla konkretnych typów instancji i frameworków.