一位資料科學家在 SageMaker 上訓練一個大型 PyTorch 模型；每個訓練任務大約需要 10 小時。他們懷疑訓練沒有收斂，而且 GPU 使用率可能很差。哪種方法所需的開發工作量最少，可以偵測並解決這些訓練問題？

SageMaker Debugger 專為此類問題而設計，提供內建規則來自動監控訓練過程。vanishinggradient 規則可以檢測模型收斂問題，而 LowGPUUtilization 規則則能識別 GPU 使用率低的情況。這些規則可以配置為在檢測到問題時自動觸發 StopTrainingJob 動作，從而節省時間和資源，且開發工作量最少。 其他選項的解釋： 使用 CloudWatch 中的 CPU 使用率指標：CPU 使用率低不一定代表 GPU 使用率低或訓練未收斂，且此方法無法直接監控梯度或收斂問題。 將高解析度自訂指標發佈到 CloudWatch，並使用 Lambda 函數分析：這需要大量的開發工作來編寫自訂指標、發佈邏輯和 Lambda 函數，不符合「開發工作量最少」的要求。 使用 SageMaker Debugger 的內建規則 confusion 和 featureimportanceoverweight：這些規則與收斂問題或 GPU 使用率無關，它們主要用於模型評估和特徵重要性分析。