Otonom araç şirketi, SageMaker'da PyTorch kullanarak transfer öğrenimi ile nesne algılama modellerini eğitti. Araçların sınırlı bilgi işlem ve batarya kapasitesi var; şirket, doğruluğu önemli ölçüde düşürmeden model boyutunu ve çalışma zamanını azaltmaya ihtiyaç duyuyor. Modelin bilgi işlem verimliliğini hangi yaklaşım iyileştirir?

Doğru cevap, model boyutunu ve çalışma zamanını azaltmak için budama (pruning) tekniğini kullanır. SageMaker Debugger, modelin eğitim sürecindeki tensörleri (ağırlıklar, gradyanlar, bias'lar, aktivasyonlar) inceleyerek hangi filtrelerin daha az önemli olduğunu belirlemeye yardımcı olur. Daha sonra bu düşük önemdeki filtreler budanır ve modelin boyutu küçültülür. Modelin doğruluğunu korumak için budanmış model yeniden eğitilir. Bu yaklaşım, sınırlı bilgi işlem ve batarya kapasitesine sahip otonom araçlar için idealdir. Diğer seçenekler neden yanlış: Amazon CloudWatch metrikleri, modelin iç tensörlerini bu şekilde incelemek için uygun değildir. Amazon SageMaker Ground Truth, veri etiketleme için kullanılır ve model boyutunu veya çalışma zamanını doğrudan iyileştirmez. Amazon SageMaker Model Monitor, dağıtım sonrası model performansını izlemek için kullanılır, ancak model boyutunu veya çalışma zamanını doğrudan azaltmaz ve öğrenme oranını artırmak her zaman performansı iyileştirmez.