Компания, занимающаяся беспилотными транспортными средствами, обучила модели обнаружения объектов с помощью трансферного обучения, используя PyTorch в SageMaker. Транспортные средства имеют ограниченные вычислительные ресурсы и заряд батареи; компании необходимо уменьшить размер модели и время выполнения без существенного ущерба для точности. Какой подход повысит вычислительную эффективность модели?

Правильный ответ — использование Amazon SageMaker Debugger для прунинга (обрезки) модели. SageMaker Debugger позволяет проверять внутренние тензоры (веса, градиенты, смещения, активации) во время обучения. На основе этих данных можно вычислить важность фильтров и удалить наименее важные, что уменьшит размер модели и ускорит инференс без значительной потери точности. Это соответствует требованиям задачи по уменьшению размера и времени выполнения модели для устройств с ограниченными ресурсами. Остальные варианты не подходят: Использование CloudWatch для проверки весов не является стандартным способом прунинга; CloudWatch — это сервис мониторинга, а не инструмент для анализа внутренних тензоров модели таким образом. SageMaker Ground Truth предназначен для разметки данных, а не для оптимизации модели. Увеличение объема данных может улучшить точность, но не уменьшит размер модели и не обязательно ускорит инференс. SageMaker Model Monitor отслеживает производительность развернутой модели, а не оптимизирует ее архитектуру. Изменение скорости обучения не является методом уменьшения размера модели.