一個以 TensorFlow 實作的時間序列預測模型在單一 GPU 上執行，每天需要大約 23 小時來訓練。團隊預期訓練資料會成長，未來需要每小時重新訓練，同時將程式碼和基礎設施的變更降到最低。哪種變更最能讓訓練擴展以應付未來的需求？

正確答案是修改 TensorFlow 程式碼以使用 Amazon SageMaker 支援的 Horovod 分散式框架，並根據需要將訓練平行化到多台機器上。這是因為 Horovod 是一個高效能的分散式訓練框架，它能讓您在多個 GPU 或多台機器上平行化訓練，顯著減少訓練時間，同時最大程度地減少對現有 TensorFlow 程式碼的修改。這符合題目中「將程式碼和基礎設施的變更降到最低」的要求，並能滿足未來每小時重新訓練的需求。 轉移到具有更強大單一 GPU 的機器只能提供有限的效能提升，無法滿足未來訓練資料成長和每小時重新訓練的需求。替換為內建的 Amazon SageMaker DeepAR 模型需要大幅度修改模型和程式碼，不符合「將程式碼和基礎設施的變更降到最低」的要求。將訓練工作負載轉移到 Amazon EMR 雖然可以分散訓練，但通常用於處理大數據，且可能需要對現有 TensorFlow 程式碼進行較大修改以適應 EMR 環境，不符合最小化變更的要求。