一位機器學習專家在 CPU:GPU 比例為 12:1 的 EC2 實例上訓練深度學習電腦視覺模型，發現 GPU 大約有一半時間處於閒置狀態。他們必須在不延長工作時間的情況下降低訓練成本。哪種選項符合此要求？

由於 GPU 約有一半時間閒置，這表示模型訓練並未充分利用 GPU 資源，可能存在資料載入瓶頸或模型架構無法有效利用所有 GPU 核心。使用記憶體優化型 EC2 Spot Instances 可以顯著降低訓練成本，因為 Spot Instances 的價格遠低於按需實例，且記憶體優化型實例通常具有較大的記憶體頻寬，有助於緩解資料載入瓶頸，進而提高 GPU 利用率。同時，Spot Instances 允許設定中斷行為，可以選擇在訓練進度保存後再中斷，避免延長工作時間。 切換到僅有 CPU 的實例類型會大幅延長訓練時間，不符合「不延長工作時間」的要求。使用異構叢集雖然可以提供彈性，但如果 GPU 利用率問題未解決，成本效益不會顯著提升。切換到 CPU:GPU 比例為 6:1 的實例類型，雖然 GPU 數量減少，但如果問題出在資料瓶頸而非 GPU 數量過多，則無法解決根本問題，且仍可能導致 GPU 閒置，無法有效降低成本。