一位機器學習專家在基於 CPU 的 EC2 On-Demand 實例上訓練 DeepAR 預測模型，訓練耗時數小時。哪兩項措施可以縮短總訓練時間？（選擇兩項）

將基於 CPU 的 EC2 實例替換為基於 GPU 的 EC2 實例是正確的，因為深度學習模型（如 DeepAR）通常能從 GPU 的並行處理能力中獲得顯著的訓練加速。GPU 專為處理大量並行計算而設計，這正是神經網路訓練所需的。使用多個實例並行訓練也是正確的，因為這允許將訓練工作負載分佈到多個機器上，從而同時處理更多數據或模型部分，縮短總訓練時間。 將 On-Demand 實例切換為 Spot Instances 僅影響成本，不影響訓練時間。啟用模型自動擴展適用於模型部署後的推論階段，而非訓練階段。從預訓練模型開始並執行增量訓練可以減少從頭開始訓練的時間，但這是一種模型優化策略，而非直接縮短單次訓練迭代時間的基礎設施或並行化方法。