QuantGen планирует ускорить крупномасштабное обучение GPU на SageMaker. Они хотят включить слияние ядер GPU и оптимизации на уровне операторов, предоставляемые SageMaker Training Compiler. Какое утверждение правильно описывает, как это включить и какие фреймворки поддерживаются для этой оптимизации?

Правильный ответ точно описывает, как включить SageMaker Training Compiler и какие фреймворки он поддерживает. Training Compiler активируется непосредственно в конфигурации TrainingJob или Estimator (например, через compilerconfig={'enabled': True} или enabletrainingcompiler=True в SDK) и предназначен для ускорения обучения на GPU-инстансах (например, p3, p4, g4dn), используя слияние ядер и оптимизации на уровне операторов. Он поддерживает популярные фреймворки глубокого обучения, такие как PyTorch и TensorFlow, но не применим к scikit-learn или XGBoost, поскольку они не используют глубокие нейронные сети, для которых предназначен компилятор. Неправильные варианты: Утверждение о гиперпараметре 'enabletrainingcompiler' и поддержке любых фреймворков (включая scikit-learn/XGBoost) неверно; компилятор не оптимизирует задачи на CPU и имеет ограниченную поддержку фреймворков. Включение через AutoML=true неверно; Training Compiler — это отдельная функция, не связанная с AutoML. Он также не поддерживает MXNet, scikit-learn или XGBoost и не выполняет слияние ядер CPU. Утверждение об автоматическом применении компилятора неверно; его необходимо явно включить, и он не применяется ко всем типам экземпляров или фреймворкам.