Компания использует классификацию изображений SageMaker (ImageNetV2 CNN), но обнаруживает, что модель пропускает многие менее распространенные виды животных. Они собрали 10 000 размеченных изображений редких видов в S3 и планируют обучать модель в режиме Pipe mode. Какую комбинацию шагов должен предпринять ML-инженер? Выберите два.

Для решения проблемы пропуска редких видов и использования режима Pipe mode, необходимо выполнить два ключевых шага. Во-первых, для алгоритма классификации изображений SageMaker в режиме Pipe mode требуется файл .lst, который содержит пути к изображениям и соответствующие им метки классов. Этот файл загружается в S3 и используется для потоковой передачи данных во время обучения. Во-вторых, поскольку модель уже обучена на ImageNetV2, наиболее эффективным подходом для адаптации к новым, редким видам является трансферное обучение (fine-tuning). Это позволяет использовать уже извлеченные признаки из базовой модели и дообучить ее на новом наборе данных, что значительно быстрее и эффективнее, чем обучение с нуля. Обучение с нуля с архитектурой ResNet со случайными весами неоптимально, так как теряются преимущества предварительно обученной модели и потребуется гораздо больше данных и времени. Использование модели Inception, доступной в SageMaker, само по себе не решает проблему редких видов и не указывает на метод подготовки данных. Использование расширенного манифеста в формате JSON Lines не является стандартным форматом для алгоритма классификации изображений SageMaker в режиме Pipe mode; для него требуется файл .lst.